建议收藏，彻底搞懂字符编码问题，从此告别中文乱码

在中文的语言环境里，身为程序员的我们一定会遇到过中文乱码的情况，究其原因就是字符编码的问题。在没有深入理解其原理之前，会觉得中文编码问题比较谜，莫名其妙地乱码，又稀里糊涂地好了。

字符编码是计算机技术的基石，本文希望帮助大家彻底梳理清楚字符编码问题，不仅知其然，还知其所以然，摆脱被中文乱码支配的感觉。

在讲解中文编码问题之前，我们需要先讲讲英语编码，其解决方案是 ASCII。

ASCII

ASCII 的英文全称是 American Standard Code for Information Interchange，中文意思是美国信息交换标准代码，是基于拉丁字母的一套计算机编码系统，使用 8 位二进制表示字符。

在计算机内部，所有信息最终都是一个二进制值。每一个二进制位（bit）有 0 和 1 两种状态，因此 8 个二进制位就可以组合出 256 种状态，这被称为一个字节（byte）。

换句话说，一个字节可以表示 256 种不同的状态，每一个状态对应一个符号，也就是 256 个符号，从 0000 0000 到 1111 1111，其数量计算公式：。

列举一部分 ASCII 码表，如下所示：

英语是由 26 个基本拉丁字母、阿拉伯数字和英式标点符号组成，因此用 128 个符号就足够了，但 ASCII 码对于其他一些复杂的语言，就力不从心了，比如：汉字大约将近 10 万个（虽然没有准确的数字，但日常使用汉字也有几千字）。

一个字节只能表示 256 种符号，肯定是不够的，就必须使用多个字节表达一个符号。为了正确显示中文字符，在 1981 年 5 月 1 日，由中国国家标准总局发布了《信息交换用汉字编码字符·基本集》，通常简称 GB。

GB 类

中国大陆几乎所有的中文系统和国际化的软件都支持 GB2312。GB2312 是简体中文常见的编码方式，使用两个字节表示一个汉字，所以最多可以表示 个符号。

GB2312 标准共收录 6763 个汉字，其中一级汉字（常用字）3755 个，二级汉字（较不常用）3008个，同时收录了包括拉丁字母、希腊字母、日文平假名及片假名字母、俄语西里尔字母在内的 682 个字符。

GB2312 基本满足了计算机处理简体汉字的需求，所收录的汉字覆盖了 99.75% 的使用频率，但对于罕见字和繁体字，GB2312 就不能处理了。因此发明了后来的 GBK 和 GB18030。它们之间的关系如下图所示：

GBK 编码是 GB2312 编码的超集，向下完全兼容 GB2312，兼容的含义是不仅字符兼容，而且相同字符的编码也相同。而 GB18030 编码向下兼容 GBK 和 GB2312，GB18030 编码是变长编码。

但很多像 GB 类的编码方式都有一个共同的问题，允许计算机处理双语环境，即拉丁字母和本地语言，却无法同时支持多语言环境，即多种语言混合的情况。Unicode 就是为了解决这个问题而诞生的方案。

Unicode

世界上存在着多种语言，比如：西班牙语、韩语、俄语等等，它们也都分别有各自的编码方式，所以同一个二进制数字可以被解释成不同的符号。如果想要正确的打开一个文本文件，就必须知道它的编码方式，否则就会出现乱码。

假如有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是 Unicode，一种所有符号的编码。

Unicode 伴随着通用字符集的标准而发展，当前最新的版本为 2019 年 5 月公布的 12.1.0，已经收录超过 13 万个字符。Unicode 涵盖的数据除了视觉上的字形、编码方式、标准的字符编码外，还包含了字符特性，如大小写字母。

然而，Unicode 只是一个符号集，不代表计算机里的编码，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。因此，导致了两个问题：

• 计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？

• 英文字母只用一个字节表示就够了，但按照 Unicode 规定，每个符号要用 3 个或 4 个字节表示，那么英语文本的存储空间将扩大 3 到 4 倍，是极大的浪费。

随着互联网的发展，不同国家的信息越来越多地在网络中传播，强烈需要一种统一的编码方式，UTF-8 就是在互联网上被广泛使用的一种 Unicode 实现方式。

UTF-8

再次强调一下，UTF-8 是 Unicode 的实现方式之一，并不是唯一，也不等同于 Unicode。除了 UTF-8，还有 UTF-16 和 UTF-32，只是很少被使用。

UTF-8 的特点是对不同范围的字符使用不同长度的编码，它可以使用 1~4 个字节表示一个符号，根据不同的符号而变化字节长度。其编码规则很简单：

• 对于单字节的符号，字节的第一位设为 0，后面 7 位为这个符号的 Unicode 码。因此对于英语字母，UTF-8 编码和 ASCII 码是相同的。

• 对于 n 字节的符号（n>1)，第一个字节的前 n 位都设为 1，第 n+1 位设为 0，后面字节的前两位一律设为 10，剩下的没有提及的二进制位，全部为这个符号的 Unicode 码。

Unicode 与 UTF-8 的字节对应关系：

以“爱”为例，其的 Unicode 是 U+7231，是在 U+0800～U+FFFF 范围内，所以采用 3 个字节进行编码，其二进制为 01110010 00110001。那么用 UTF-8 表示，则如下图所示：

后记

计算机操作系统中的编码：

• Windows下中文的默认编码是 GBK（GB2312）。

• Linux 下中文的默认编码是 UTF-8。

如果使用的是 Linux 系统，可以通过如下命令，查看系统中文编码：

1echo $LANG
2en_US.UTF-8

如果想要查看文件的原始编码，并且转换编码，可以使用 enca 命令，可以通过 apt-get install enca 进行安装。

1enca -L zh_CN <file>  # 查看文件的编码
2enca -L zh_CN -x UTF-8 <file>  # 将文件编码转换为UTF-8编码
3enca -L zh_CN -x UTF-8 <file_1> <file_2> # 保留原始文件

字符编码选择建议：

1. 只有英文，选择 ASCII。

2. 主要存中文，对存储大小比较敏感，选择 GB2312。

3. 通用性第一，处理简单，选择 UTF-8。