编码方式

转载出处: http://blog.csdn.net/polarman/archive/2007/04/30/1593159.aspx  

如果你开发过的软件项目中涉及到多语言支持的问题，那么相信你没少碰到过乱码问题，然后在寻求解决问题的途径过程中被一些概念如ASCII, ISO-8859-1, Unicode，UTF-8，GBK，GB2312等等所困扰。本文有助于你正确的理解这些概念。 

1. ASCII 

用7位编码将英文字符和一些常用的符号存诸为从0到127的数值。 



2. ISO-8859-1 

法语、西班牙语和德语之类的西欧语言都使用叫做ISO-8859-1的编码系统（也叫做“latin-1”）。它使用7位ASCII字符表示从0到127的字符，但接着扩展到了128-255的范围来表示如n上带有一个波浪线(241)，和u上带有两个点(252)的字符等等。可以说ASCII是ISO-8859-1的子集。 



3. Unicode 

    Unicode用一个2字节数字表示每个字符，从0到65535。每个 2 字节数字表示至少在一种世界语言中使用的一个唯一字符。（在多种语言中都使用的字符具有相同的数字码。）这样就确保每个字符一个数字，并且每个数字一个字符。Unicode数据永远不会模棱两可。Unicode使用相同的数字表示ASCII和ISO-8859-1中的字符。只是这两种编码用一个字节表示，而Unicode用两个字节表示。所以Unicode表示这两种编码的字符时只要用低字节就可以了，高字节为0。 



4. UTF-8 

    UTF-8是一种变长的编码方式，每个UTF-8的编码可以是1至6个字节长。它将Unicode编码的字符采用变长的方式进行编码。对Unicode中属于ISO-8859-1的编码采用和ISO-8859-1相同的单字节编码。其他字符采用两字节以上的编码。实际上对于两个字节的Unicode编码，UTF-8只要三个字节即可表示。第一个字节由n个1（1< n <= 6）开始, n表示编码的字节数，后面每个字节都以10开始，后面6位为有效位。将第一位的剩余位和后面的所有字节的后六位连接起来就是对应的Unicode编码的数值。例如汉字“中”的编码： 



Unicode:           4E      2D 

01001110 00101101 



UTF-8:              E4      B8     AD 

11100100 10111000 10101101 



可以通过以下方式进行证实： 

       用记事本创建一个文本文件，输入汉字“中”分别保存为Unicode格式和UTF-8格式。 将UltraEdit的自动识别UTF-8文件格式选项禁止，然后用其打开这两个文件，选用二进制查看方式，可以看到: 


    UTF-8格式文件编码为“EF BB BF E4 B8 AD”。其中有个三字节的前缀“EF BB BF”，这是UTF-8格式文本文件的标识。不过这个前缀不要，某些文本查看软件也可以通过编码判断出UTF-8格式。“E4 B8 AD”就是“中”的UTF-8编码。 


    Unicode格式的文件的完整编码是“FF FE 2D 4E”。前面有个双字节前缀“FF FE”，这是Unicode格式文本文档的编码标识。而我们看到的编码是“2D 4E”，而不是如我前面所说的“4E 2D”，为什么呢？因为数字是按照低字节在先高字节在后的顺序存储的，所以实际的Unicode编码恰恰是“4E2D”。 



5. GB2312和GBK 

       这两种编码都是汉字的编码标准，其中前者是后者的子集。GBK编码的文本文档中对于ASCII中的字符用相同的单字节表示；对于汉字和汉语中的标点符号等采用双字节编码，其中高字节大于0x80，而ASCII的所有字符的编码均小于0x80, 所以ASCII和GBK的字符是可以混和起来的。GBK的字符集和Unicode进行转换是无规则的，需要转换表才能进行转换。