字符集編碼詳解【ASCII 、GB2312、GBK、GB18030、unicode、UTF-8】(轉)

ASCII字符集編碼

    ASCII碼是7位編碼，編碼範圍是0x00-0x7F。ASCII字符集包括英文字母、阿拉伯數字和標點符號等字符。其中0x00-0x20和0x7F共33個控制字符。

    只支持ASCII碼的系統會忽略每個字節的最高位，只認爲低7位是有效位。HZ字符編碼就是早期爲了在只支持7位ASCII系統中傳輸中文而設計的編碼。早期很多郵件系統也只支持ASCII編碼，爲了傳輸中文郵件必須使用BASE64或者其他編碼方式。


GB2312字符集編碼

   GB2312是基於區位碼設計的，區位碼把編碼表分爲94個區，每個區對應94個位，每個字符的區號和位號組合起來就是該漢字的區位碼。區位碼一般 用10進制數來表示，如1601就表示16區1位，對應的字符是“啊”。在區位碼的區號和位號上分別加上0xA0就得到了GB2312編碼。

    區位碼中01-09區是符號、數字區，16-87區是漢字區，10-15和88-94是未定義的空白區。它將收錄的漢字分成兩級：第一級是常用漢字計 3755個，置於16-55區，按漢語拼音字母/筆形順序排列；第二級漢字是次常用漢字計3008個，置於56-87區，按部首/筆畫順序排列。一級漢字 是按照拼音排序的，這個就可以得到某個拼音在一級漢字區位中的範圍，很多根據漢字可以得到拼音的程序就是根據這個原理編寫的。

   GB2312字符集中除常用簡體漢字字符外還包括希臘字母、日文平假名及片假名字母、俄語西裏爾字母等字符，未收錄繁體中文漢字和一些生僻字。可以用繁體漢字測試某些系統是不是隻支持GB2312編碼。

   GB2312的編碼範圍是0xA1A1-0x7E7E，去掉未定義的區域之後可以理解爲實際編碼範圍是0xA1A1-0xF7FE。

   EUC-CN可以理解爲GB2312的別名，和GB2312完全相同。

   區位碼更應該認爲是字符集的定義，定義了所收錄的字符和字符位置，而GB2312及EUC-CN是實際計算機環境中支持這種字符集的編碼。HZ和ISO-2022-CN是對應區位碼字符集的另外兩種編碼，都是用7位編碼空間來支持漢字。區位碼和GB2312編碼的關係有點像 Unicode和UTF-8。

GBK字符集編碼

   GBK 編碼是GB2312編碼的超集，向下完全兼容GB2312，同時GBK收錄了Unicode基本多文種平面中的所有CJK漢字。同 GB2312一樣，GBK也支持希臘字母、日文假名字母、俄語字母等字符，但不支持韓語中的表音字符（非漢字字符）。GBK還收錄了GB2312不包含的 漢字部首符號、豎排標點符號等字符。

   GBK的整體編碼範圍是爲0x8140-0xFEFE，不包括低字節是0×7F的組合。高字節範圍是0×81-0xFE，低字節範圍是0x40-7E和0x80-0xFE。

   低字節是0x40-0x7E的GBK字符有一定特殊性，因爲這些字符佔用了ASCII碼的位置，這樣會給一些系統帶來麻煩。

   有些系統中用0x40-0x7E中的字符（如“|”）做特殊符號，在定位這些符號時又沒有判斷這些符號是不是屬於某個 GBK字符的低字節，這樣就會造成錯誤判斷。在支持GB2312的環境下就不存在這個問題。需要注意的是支持GBK的環境中小於0x80的某個字節未必就 是ASCII符號；另外就是最好選用小於0×40的ASCII符號做一些特殊符號，這樣就可以快速定位，且不用擔心是某個漢字的另一半。Big5編碼中也 存在相應問題。
   CP936和GBK的有些許差別，絕大多數情況下可以把CP936當作GBK的別名。

GB18030字符集編碼

   GB18030編碼向下兼容GBK和GB2312，兼容的含義是不僅字符兼容，而且相同字符的編碼也相同。GB18030收錄了所有Unicode3.1中的字符，包括中國少數民族字符，GBK不支持的韓文字符等等，也可以說是世界大多民族的文字符號都被收錄在內。

   GBK和GB2312都是雙字節等寬編碼，如果算上和ASCII兼容所支持的單字節，也可以理解爲是單字節和雙字節混合的變長編碼。GB18030編碼是變長編碼，有單字節、雙字節和四字節三種方式。

   GB18030 的單字節編碼範圍是0x00-0x7F，完全等同與ASCII；雙字節編碼的範圍和GBK相同，高字節是0x81-0xFE，低字節的編碼範圍是0x40 -0x7E和0x80-FE；四字節編碼中第一、三字節的編碼範圍是0x81-0xFE，二、四字節是0x30-0x39。

   Windows 中CP936代碼頁使用0x80來表示歐元符號，而在GB18030編碼中沒有使用0x80編碼位，用其他位置來表示歐元符號。這可以理解爲是 GB18030向下兼容性上的一點小問題；也可以理解爲0x80是CP936對GBK的擴展，而GB18030只是和GBK兼容良好。

unicode字符集編碼

  每一種語言的不同的編碼頁，增加了那些需要支持不同語言的軟件的複雜度。因而人們制定了一個世界標準，叫做unicode。unicode爲每個字符提供 了唯一的特定數值，不論在什麼平臺上、不論在什麼軟件中，也不論什麼語言。也就是說，它世界上使用的所有字符都列出來，並給每一個字符一個唯一特定數值。

   Unicode的最初目標，是用1個16位的編碼來爲超過65000字符提供映射。但這還不夠，它不能覆蓋全部歷史上的文字，也不能解決傳輸的問題 (implantation head-ache's)，尤其在那些基於網絡的應用中。已有的軟件必須做大量的工作來程序16位的數據。
因 此，Unicode用一些基本的保留字符制定了三套編碼方式。它們分別是UTF-8,UTF-16和UTF-32。正如名字所示，在UTF－8中，字符是 以8位序列來編碼的，用一個或幾個字節來表示一個字符。這種方式的最大好處，是UTF－8保留了ASCII字符的編碼做爲它的一部分，例如，在UTF－8 和ASCII中，“A”的編碼都是0x41.

   UTF－16和UTF－32分別是Unicode的16位和32位編碼方式。考慮到最初的目的，通常說的Unicode就是指UTF-16。在討論Unicode時，搞清楚哪種編碼方式非常重要。

UTF-8字符集編碼

    Unicode Transformation Format-8bit，允許含BOM，但通常不含BOM。是用以解決國際上字符的一種多字節編碼，它對英文使用8位（即一個字節），中文使用24爲（三 個字節）來編碼。UTF-8包含全世界所有國家需要用到的字符，是國際編碼，通用性強。UTF-8編碼的文字可以在各國支持UTF8字符集的瀏覽器上顯 示。如，如果是UTF8編碼，則在外國人的英文IE上也能顯示中文，他們無需下載IE的中文語言支持包。

   GBK的文字編碼是用雙字節來表示的，即不論中、英文字符均使用雙字節來表示，爲了區分中文，將其最高位都設定成1。GBK包含全部中文字符，是國家編碼，通用性比UTF8差，不過UTF8佔用的數據庫比GBD大。

   GBK、GB2312等與UTF8之間都必須通過Unicode編碼才能相互轉換：

    GBK、GB2312－－Unicode－－UTF8

    UTF8－－Unicode－－GBK、GB2312

對於一個網站、論壇來說，如果英文字符較多，則建議使用UTF－8節省空間。不過現在很多論壇的插件一般只支持GBK。