字符集编码

1. 什么是字符编码？

    字符(Character)是文字与符号的总称，包括文字、图形符号、数学符号等。一组抽象字符的集合就是字符集(Charset)。
    常用到字符集有：ASCII，ISO-8859-1，GB2312，GBK，GB18030，Unicode

2. 各种编码集有哪些特点？

    ASCII：

    ASCII（American Standard Code for Information Interchange，美国信息交换标准代码）是基于英文大小写，阿拉伯数字和英文符号的一套电脑编码系统。
    包含内容：控制字符（回车，退格，换行键），可显示式字符（英文大小写，阿拉伯数字和西文符号）。
    技术特征：7位（bits）表示一个字符，共128字符
    不足之处：只能表示英语，像西欧，东亚和拉美地区的语言符号无法表示。

    ISO-8859-1集扩展字符集:

    它以ASCII为基础（完全兼容ASCII），在空置的0xA0-0xFF的范围内，加入96个字母及符号，以供使用附加符号的拉丁字母语言使用。曾推出过 ISO 8859-1:1987 版。
    包含内容：ASCII编码包含的，部分西欧使用的语言。
    技术特征：8位表示一个字符。即可表示256个字符。
    
    GB2312:
    由原中国国家标准总局发布,收录简化汉字及一般符号、序号、数字、拉丁字母、日文假名、希腊字母、俄文字母、汉语拼音符号、汉语注音字母，共 7445 个图形字符。其中包括6763个汉字，其中一级汉字3755个，二级汉字3008个；还包括拉丁字母、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个全角字符。
    GBK：
    因为GB2312中不包含生僻字，因此又创建了另外一套包含生僻字且完全兼容GB2312的字符集。和GB2312一样采用2个字节表示一个字符
    GB18030:
    GBK中也没有包含少数民族的文字，因此中国又新增了GB18030编码，理论上而言这是最全的汉字字符集编码。
    与UTF-8相同，采用多字节编码，每个字可以由1个、2个或4个字节组成。
    
    Unicode：
    全球统一字符集编码，采用4个字节来表示一个字符，理论上而言能包含所有国家的所有字符。但对于欧美国家，他们只需要一个字节就能表示一个字符，因此对于一个用Unicode存储的文件而言，文件大小大3倍。这是十分浪费存储空间的，于是，就出现了UTF的编码方式。如：UTF-8,UTF-16,UTF-32。
    注意：Unicode是编码规范，而UTF-8或者UTF-16是Unicode编码规范的实现方式。
    
    UTF-8：
    UTF-8（8-bit Unicode Transformation Format）是一种针对Unicode的可变长度字符编码（定长码），也是一种前缀码。
    它可以用来表示Unicode标准中的任何字符，且其编码中的第一个字节仍与ASCII兼容，这使得原来处理ASCII字符的软件无须或只须做少部份修改，即可继续使用。因此，它逐渐成为电子邮件、网页及其他存储或传送文字的应用中，优先采用的编码。

    UTF-8使用一至四个字节为每个字符编码：

        128个US-ASCII字符只需一个字节编码（Unicode范围由U+0000至U+007F）。
        带有附加符号的拉丁文、希腊文、西里尔字母、亚美尼亚语、希伯来文、阿拉伯文、叙利亚文及它拿字母则需要二个字节编码（Unicode范围由U+0080至U+07FF）。
        其他基本多文种平面（BMP）中的字符（这包含了大部分常用字）使用三个字节编码。
        其他极少使用的Unicode辅助平面的字符使用四字节编码。

    总体来说，在Unicode字符串中不可能由码点数量决定显示它所需要的长度，或者显示字符串之后在文本缓冲区中光标应该放置的位置；组合字符、变宽字体、不可打印字符和从右至左的文字都是其归因。所以尽管在UTF-8字符串中字符数量与码点数量的关系比UTF-32更为复杂，在实际中很少会遇到有不同的情形。

最佳实践：

源文件和目标文件编码编码方式一样，且中间过程的编解码都使用源文件的编码方式，从而保证不会出现乱码。