引言
字符集編碼不一致是導致亂碼的主要原因，利用這篇文章，簡單的講述個人對亂碼及字符集的看法以及處理方式。
版權所有：_OE_, 轉載請註明出處：http://blog.csdn.net/csnd_ayo
字符集類型
字符集編碼，在中國我們經常遇到的無非就是三種 ascii gb2312 utf-8，當然還有數不勝數的其它編碼，有興趣的朋友可以查閱相關資料，我就不再贅述。
字符集歷史
字符集編碼爲什麼會有這麼多的原因，這存在一定的歷史因素，也有一個主要的原因，就是因爲內存條比較昂貴，而且硬件技術發展還不夠（爲了讓軟件更符合當時的硬件環境）。
也簡單的講解一下這三個編碼的特點。
很久很久以前，有一羣人，他們決定用8個可以開合的晶體管來組合成不同的狀態，以表示世界上的萬物。他們看到8個開關狀態是好的，於是他們把這稱爲“字節”。
再後來，他們又做了一些可以處理這些字節的機器，機器開動了，可以用字節來組合出很多狀態，狀態開始變來變去。他們看到這樣是好的，於是他們就這機器稱爲”計算機“。
開始計算機只在美國用。八位的字節一共可以組合出 256(2的8次方) 種不同的狀態。他們把其中的編號從 0 開始的 32 種狀態分別規定了特殊的用途，一但終端、打印機遇上約定好的這些字節被傳過來時，就要做一些約定的動作。遇上 0×10，終端就換行；遇上 0×07, 終端就向人們嘟嘟叫；例好遇上 0x1b，打印機就打印反白的字，或者終端就用彩色顯示字母。他們看到這樣很好，於是就把這些 0×20 以下的字節狀態稱爲”控制碼”。
他們又把所有的空格、標點符號、數字、大小寫字母分別用連續的字節狀態表示，一直編到了第 127 號，這樣計算機就可以用不同字節來存儲英語的文字了。大家看到這樣，都感覺很好，於是大家都把這個方案叫做 ANSI 的“Ascii”編碼（American Standard Code for Information Interchange，美國信息互換標準代碼）。
當時世界上所有的計算機都用同樣的 ASCII 方案來保存英文文字。後來，就像建造巴比倫塔一樣，世界各地的都開始使用計算機，但是很多國家用的不是英文，他們的字母裏有許多是 ASCII 裏沒有的，爲了可以在計算機保存他們的文字，他們決定採用 127 號之後的空位來表示這些新的字母、符號，還加入了很多畫表格時需要用下到的橫線、豎線、交叉等形狀，一直把序號編到了最後一個狀態 255。從 128 到 255 這一頁的字符集被稱”擴展字符集“。
從此之後，貪婪的人類再沒有新的狀態可以用了，美帝國主義可能沒有想到還有第三世界國家的人們也希望可以用到計算機吧！等中國人們得到計算機時，已經沒有可以利用的字節狀態來表示漢字，況且有 6000 多個常用漢字需要保存呢。但是這難不倒智慧的中國人民，我們不客氣地把那些 127 號之後的奇異符號們直接取消掉, 規定：一個小於 127 的字符的意義與原來相同，但兩個大於 127 的字符連在一起時，就表示一個漢字，前面的一個字節（他稱之爲高字節）從 0xA1 用到 0xF7，後面一個字節（低字節）從 0xA1 到 0xFE，這樣我們就可以組合出大約7000多個簡體漢字了。
在這些編碼裏，我們還把數學符號、羅馬希臘的字母、日文的假名們都編進去了，連在 ASCII 裏本來就有的數字、標點、字母都統統重新編了兩個字節長的編碼，這就是常說的”全角”字符，而原來在127號以下的那些就叫”半角”字符了。中國人民看到這樣很不錯，於是就把這種漢字方案叫做 “GB2312“。
GB2312 是對 ASCII 的中文擴展。但是中國的漢字太多了，我們很快就就發現有許多人的人名沒有辦法在這裏打出來，特別是某些很會麻煩別人的國家領導人。於是我們不得不繼續把 GB2312 沒有用到的碼位找出來老實不客氣地用上。 後來還是不夠用，於是乾脆不再要求低字節一定是 127 號之後的內碼，只要第一個字節是大於 127 就固定表示這是一個漢字的開始，不管後面跟的是不是擴展字符集裏的內容。結果擴展之後的編碼方案被稱爲 GBK 標準，GBK 包括了 GB2312 的所有內容，同時又增加了近20000個新的漢字（包括繁體字）和符號。
後來少數民族也要用電腦了，於是我們再擴展，又加了幾千個新的少數民族的字，GBK擴成了 GB18030。從此之後，中華民族的文化就可以在計算機時代中傳承了。 中國的程序員們看到這一系列漢字編碼的標準是好的，於是通稱他們叫做 “DBCS”（Double Byte Charecter Set 雙字節字符集）。
在 DBCS 系列標準裏，最大的特點是兩字節長的漢字字符和一字節長的英文字符並存於同一套編碼方案裏，因此他們寫的程序爲了支持中文處理，必須要注意字串裏的每一個字節的值，如果這個值是大於 127 的，那麼就認爲一個雙字節字符集裏的字符出現了。那時候凡是受過加持，會編程的計算機僧侶們都要每天念下面這個咒語數百遍： “一個漢字算兩個英文字符！一個漢字算兩個英文字符……”。
因爲當時各個國家都像中國這樣搞出一套自己的編碼標準，結果互相之間誰也不懂誰的編碼，誰也不支持別人的編碼，連大陸和臺灣這樣只相隔了 150 海里，使用着同一種語言的兄弟地區，也分別採用了不同的 DBCS 編碼方案——當時的中國人想讓電腦顯示漢字，就必須裝上一個”漢字系統”，專門用來處理漢字的顯示、輸入的問題，但是那個臺灣的愚昧封建人士寫的算命程序就必須加裝另一套支持 BIG5 編碼的什麼”倚天漢字系統”纔可以用，裝錯了字符系統，顯示就會亂了套！這怎麼辦？而且世界民族之林中還有那些一時用不上電腦的窮苦人民，他們的文字又怎麼辦？ 真是計算機的巴比倫塔命題啊！
正在這時，大天使加百列及時出現了——一個叫 ISO （國際標誰化組織）的國際組織決定着手解決這個問題。他們採用的方法很簡單：廢了所有的地區性編碼方案，重新搞一個包括了地球上所有文化、所有字母和符號的編碼！他們打算叫它”Universal Multiple-Octet Coded Character Set”，簡稱 UCS, 俗稱 “unicode“。
unicode 開始制訂時，計算機的存儲器容量極大地發展了，空間再也不成爲問題了。於是 ISO 就直接規定必須用兩個字節，也就是 16 位來統一表示所有的字符，對於 ASCII 裏的那些“半角”字符，unicode 包持其原編碼不變，只是將其長度由原來的 8 位擴展爲 16 位，而其他文化和語言的字符則全部重新統一編碼。
由於“半角”英文符號只需要用到低8位，所以其高 8 位永遠是 0，因此這種大氣的方案在保存英文文本時會多浪費一倍的空間。這時候，從舊社會里走過來的程序員開始發現一個奇怪的現象：他們的 strlen 函數靠不住了，一個漢字不再是相當於兩個字符了，而是一個！
是的，從 unicode 開始，無論是半角的英文字母，還是全角的漢字，它們都是統一的“一個字符”！同時，也都是統一的“兩個字節”，請注意“字符”和“字節”兩個術語的不同，“字節”是一個8位的物理存貯單元，而“字符”則是一個文化相關的符號。在 unicode 中，一個字符就是兩個字節。一個漢字算兩個英文字符的時代已經快過去了。
unicode 同樣也不完美，這裏就有兩個的問題，一個是，如何才能區別 unicode 和 ascii？計算機怎麼知道三個字節表示一個符號，而不是分別表示三個符號呢？第二個問題是，我們已經知道，英文字母只用一個字節表示就夠了，如果 unicode 統一規定，每個符號用三個或四個字節表示，那麼每個英文字母前都必然有二到三個字節是 0，這對於存儲空間來說是極大的浪費，文本文件的大小會因此大出二三倍，這是難以接受的。
unicode在很長一段時間內無法推廣，直到互聯網的出現，爲解決unicode如何在網絡上傳輸的問題，於是面向傳輸的衆多 UTF（UCS Transfer Format）標準出現了，顧名思義，UTF-8 就是每次 8 個位傳輸數據，而 UTF-16 就是每次 16 個位。
UTF-8 就是在互聯網上使用最廣的一種 unicode 的實現方式，這是爲傳輸而設計的編碼，並使編碼無國界，這樣就可以顯示全世界上所有文化的字符了。UTF-8 最大的一個特點，就是它是一種變長的編碼方式。它可以使用 1~4 個字節表示一個符號，根據不同的符號而變化字節長度，當字符在 ASCII 碼的範圍時，就用一個字節表示，保留了 ASCII 字符一個字節的編碼做爲它的一部分，注意的是 unicode 一箇中文字符佔 2 個字節，而 UTF-8 一箇中文字符佔 3 個字節）。
從 unicode 到 uft-8 並不是直接的對應，而是要過一些算法和規則來轉換。
Unicode 符號範圍 | UTF-8 編碼方式(十六進制) 【二進制】
—————————————————————–
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
引用文章：unicode,ansi,utf-8,unicode big endian編碼的區別 原址
ascii
這個編碼是最原始的編碼，早期電腦剛有的時候，他就誕生了。
用1個字節來表示美國所有的字母以及其它常用字符。
gb2312
這個字符集是由中國國家標準局發佈的 ，著有GB2312-80《信息交換用漢字編碼字符集 基本集》
利用2個字節來標識且只能標識中文簡體
utf-8
這個字符集說起來就厲害了，他有一個別名叫做萬國碼，顧名思義，所有的文字都可以使用這個編碼進行表示。
利用3個字節來標識所有中文字符。
所謂亂碼
一致的字符集編碼是保證交流的基礎，就好像我現在發表的中文文章，你能看得懂是一個道理。
所謂亂碼就是，我用了utf-8的編碼，而你使用gb2312的編碼去打開，就會出現驢頭不對馬嘴的情況。
打開方式不對，當然這也不排除有些情況下的故意亂碼，這是爲了讓自己的內容只能被特定的人看懂，而有意的不使用標準的字符集編碼，這就是常說的密文。
解決亂碼
亂碼的解決辦法基本是以下流程
- 查看文件二進制
- 確定文件編碼
- 使用與之對應的編碼
- 對文件進行轉碼
- 使用相同編碼方式打開
根據這三個步驟，可能我就要推薦一個軟件了 editplus
第一步我們要使用這個軟件查看文件的十六進制
第二步我們可以根據數據確定文件編碼（2個字節表示一箇中文的是gb2312，3個字節表示中文的是utf-8）
開發時遇到的亂碼
我們在開發的過程中可能會經常出現一個問題，調試界面顯示的內容是正常的，可是輸出的時候卻成了亂碼，這種問題的出現如果不是有意如此（例如密文），那麼基本可以確定是編碼不統一導致的，我們可以根據變量地址查看其二進制數據，由此確定變量內的字符編碼格式。
總結
在這個互聯網快速發展的時代，內存成本逐漸降低， utf-8勢必會替代其它編碼字符集。但現階段，我們應該學習字符集編碼，更要學會處理字符集編碼，知其然知其所以然纔是解決問題的根本。