<!-- Feedsky FEED發布代碼開始 --> 如果您喜歡這些文章，歡迎點擊此處訂閱本Blog <!-- FEED自動發現標記開始 --> <link title="RSS 2.0" type="application/rss+xml" rel="alternate"> <!-- FEED自動發現標記結束 -->

<!--Google 468*60橫幅廣告開始--><script type="text/javascript"><!-- google_ad_client = "pub-7343546549496470"; google_ad_width = 468; google_ad_height = 60; google_ad_format = "468x60_as"; google_ad_type = "image"; //2007-07-26: CSDN google_ad_channel = "6063905817"; google_color_border = "6699CC"; google_color_bg = "E6E6E6"; google_color_link = "FFFFFF"; google_color_text = "333333"; google_color_url = "AECCEB"; google_ui_features = "rc:6"; //--> </script><script type="text/javascript" src="http://pagead2.googlesyndication.com/pagead/show_ads.js"> </script><!--Google 468*60橫幅廣告結束-->

一 預備知識
1，字符：字符是抽象的最小文本單位。它沒有固定的形狀（可能是一個字形），而且沒有值。“A”是一個字符，“€”（德國、法國和許多其他歐洲國家通用貨幣的標志）也是一個字符。“中”“國”這是兩個漢字字符。字符僅僅代表一個符號，沒有任何實際值的意義。
2，字符集：字符集是字符的集合。例如，漢字字符是中國人最先發明的字符，在中文、日文、韓文和越南文的書寫中使用。這也說明了字符和字符集之間的關系，字符組成字符集（iso8859-1，GB2312/GBK，unicode）。
3，代碼點：字符集中的每個字符都被分配到一個“代碼點”。每個代碼點都有一個特定的唯一數值，稱為標值。該標量值通常用十六進制表示。
4，代碼單元： 在每種編碼形式中，代碼點被映射到一個或多個代碼單元。“代碼單元”是各個編碼方式中的單個單元。代碼單元的大小等效于特定編碼方式的位數：
UTF-8 ：UTF-8 中的代碼單元由 8 位組成；在 UTF-8 中，因為代碼單元較小的緣故，每個代碼點常常被映射到多個代碼單元。代碼點將被映射到一個、兩個、三個或四個代碼單元；
UTF-16 ：UTF-16 中的代碼單元由 16 位組成；UTF-16 的代碼單元大小是 8 位代碼單元的兩倍。所以，標量值小于 U+10000 的代碼點被編碼到單個代碼單元中；
UTF-32：UTF-32 中的代碼單元由 32 位組成； UTF-32 中使用的 32 位代碼單元足夠大，每個代碼點都可編碼為單個代碼單元；
GB18030：GB18030 中的代碼單元由 8 位組成；在 GB18030 中，因為代碼單元較小的緣故，每個代碼點常常被映射到多個代碼單元。代碼點將被映射到一個、兩個或四個代碼單元。
5，舉例：

“中國北京香蕉是個大笨蛋”這是我定義的aka字符集；各字符對應代碼點為：
北 00000001
京 00000010
香 10000001
蕉 10000010
是 10000100
個 10001000
大 10010000
笨 10100000
蛋 11000000
中 00000100
國 00001000
下面是我定義的 zixia 編碼方案（8位），可以看到它的編碼中表示了aka字符集的所有字符對應的 代碼單元；
北 10000001
京 10000010
香 00000001
蕉 00000010
是 00000100
個 00001000
大 00010000
笨 00100000
蛋 01000000
中 10000100
國 10001000
所謂文本文件 就是我們按一定編碼方式將二進制數據表示為對應的文本如 00000001000000100000010000001000000100000010000001000000這樣的文件。我用一個支持 zixia編碼和aka字符集的記事本打開，它就按照編碼方案顯示為 “香蕉是個大笨蛋 ”
如果我把這些字符按照GBK另存一個文件，那么則肯定不是這個，而是
1100111111100011 1011110110110110 1100101011000111 1011100011110110 1011010011110011 1011000110111111 1011010110110000 110100001010

二，字符集
1， 常用字符集分類
ASCII及其擴展字符集
作用：表語英語及西歐語言。
位數：ASCII是用7位表示的，能表示128個字符；其擴展使用8位表示，表示256個字符。
范圍：ASCII從00到7F，擴展從00到FF。
ISO-8859-1字符集
作用：擴展ASCII，表示西歐、希臘語等。
位數：8位，
范圍：從00到FF，兼容ASCII字符集。
GB2312字符集
作用：國家簡體中文字符集，兼容ASCII。
位數：使用2個字節表示，能表示7445個符號，包括6763個漢字，幾乎覆蓋所有高頻率漢字。
范圍：高字節從A1到F7, 低字節從A1到FE。將高字節和低字節分別加上0XA0即可得到編碼。
BIG5字符集
作用：統一繁體字編碼。
位數：使用2個字節表示，表示13053個漢字。
范圍：高字節從A1到F9，低字節從40到7E，A1到FE。
GBK字符集
作用：它是GB2312的擴展，加入對繁體字的支持，兼容GB2312。
位數：使用2個字節表示，可表示21886個字符。
范圍：高字節從81到FE，低字節從40到FE。
GB18030字符集
作用：它解決了中文、日文、朝鮮語等的編碼，兼容GBK。
位數：它采用變字節表示(1 ASCII，2，4字節)。可表示27484個文字。
范圍：1字節從00到7F; 2字節高字節從81到FE，低字節從40到7E和80到FE；4字節第一三字節從81到FE，第二四字節從30到39。
UCS字符集
作用：國際標準 ISO 10646 定義了通用字符集 (Universal Character Set)。它是與UNICODE同類的組織，UCS-2和UNICODE兼容。
位數：它有UCS-2和UCS-4兩種格式，分別是2字節和4字節。
范圍：目前，UCS-4只是在UCS-2前面加了0×0000。
UNICODE字符集
作用：為世界650種語言進行統一編碼，兼容ISO-8859-1。
位數：UNICODE字符集有多個編碼方式，分別是UTF-8，UTF-16和UTF-32。
2 ，按所表示的文字分類
語言 字符集 正式名稱
英語、西歐語 ASCII，ISO-8859-1 MBCS 多字節
簡體中文 GB2312 MBCS 多字節
繁體中文 BIG5 MBCS 多字節
簡繁中文 GBK MBCS 多字節
中文、日文及朝鮮語 GB18030 MBCS 多字節
各國語言 UNICODE，UCS DBCS 寬字節

三，編碼
UTF-8：采用變長字節 (1 ASCII, 2 希臘字母, 3 漢字, 4 平面符號) 表示，網絡傳輸, 即使錯了一個字節，不影響其他字節，而雙字節只要一個錯了，其他也錯了，具體如下：
如果只有一個字節則其最高二進制位為0；如果是多字節，其第一個字節從最高位開始，連續的二進制位值為1的個數決定了其編碼的字節數，其余各字節均以10開頭。UTF-8最多可用到6個字節。

UTF-16：采用2字節，Unicode中不同部分的字符都同樣基于現有的標準。這是為了便于轉換。從 0×0000到0×007F是ASCII字符，從0×0080到0×00FF是ISO-8859-1對ASCII的擴展。希臘字母表使用從0×0370到 0×03FF 的代碼，斯拉夫語使用從0×0400到0×04FF的代碼，美國使用從0×0530到0×058F的代碼，希伯來語使用從0×0590到0×05FF的代碼。中國、日本和韓國的象形文字（總稱為CJK）占用了從0×3000到0×9FFF的代碼；由于0×00在c語言及操作系統文件名等中有特殊意義，故很多情況下需要UTF-8編碼保存文本，去掉這個0×00。舉例如下：
UTF-16: 0×0080 = 0000 0000 1000 0000
UTF-8: 0xC280 = 1100 0010 1000 0000
UTF-32：采用4字節。
優缺點
UTF-8、UTF-16和UTF-32都可以表示有效編碼空間 (U+000000-U+10FFFF) 內的所有Unicode字符。
使用UTF-8編碼時ASCII字符只占1個字節，存儲效率比較高，適用于拉丁字符較多的場合以節省空間。
對于大多數非拉丁字符（如中文和日文）來說，UTF-16所需存儲空間最小，每個字符只占2個字節。
Windows NT內核是Unicode（UTF-16），采用UTF-16編碼在調用系統API時無需轉換，處理速度也比較快。
采用UTF-16和UTF-32會有Big Endian和Little Endian之分，而UTF-8則沒有字節順序問題，所以UTF-8適合傳輸和通信。
UTF-32采用4字節編碼，一方面處理速度比較快，但另一方面也浪費了大量空間，影響傳輸速度，因而很少使用。

四，如何判斷字符集
1，字節序
首先說一下字節序對編碼的影響，字節序分為Big Endian字節序和Little Endian字節序。不同的處理器可能不一樣。所以，傳輸時需要告訴處理器當時的編碼字節序。對于前者而言，高位字節存在低地址，低字節存于高地址；后者相反。例如，0X03AB,
Big Endian字節序
0000: 0 3
0001: AB
Little Endian字節序是
0000: AB
0001: 0 3
2，編碼識別
UNICODE，根據前幾個字節可以判斷UNICODE字符集的各種編碼，叫做Byte Order Mask方法BOM：
UTF-8: EFBBBF (符合UTF-8格式，請看上面。但沒有含義在UCS即UNICODE中)
UTF-16 Big Endian：FEFF (沒有含義在UCS-2中)
UTF-16 Little Endian：FFFE (沒有含義在UCS-2中)
UTF-32 Big Endian：0000FEFF (沒有含義在UCS-4中)
UTF-32 Little Endian：FFFE0000 (沒有含義在UCS-4中)

GB2312：高字節和低字節的第1位都是1。

BIG5，GBK&GB18030：高字節的第1位為1。操作系統有默認的編碼，常為GBK，可以下載別的并升級。通過判斷高字節的第1位從而知道是ASCII或者漢字編碼。

轉自【 http://blog.minidx.com/2008/12/06/1689.html 】，鳴謝原作者

<!--新Google 468*60橫幅廣告開始--><script type="text/javascript"><!-- google_ad_client = "pub-7343546549496470"; /* 468x60, 創建于 08-8-6 */ google_ad_slot = "7368701459"; google_ad_width = 468; google_ad_height = 60; //--> </script><script type="text/javascript" src="http://pagead2.googlesyndication.com/pagead/show_ads.js"> </script><!--新Google 468*60橫幅廣告結束-->

<!--新Google 468x15 橫鏈接單元開始--><script type="text/javascript"><!-- google_ad_client = "pub-7343546549496470"; /* 468x15 橫鏈接單元 */ google_ad_slot = "5785741422"; google_ad_width = 468; google_ad_height = 15; //--> </script><script type="text/javascript" src="http://pagead2.googlesyndication.com/pagead/show_ads.js"> </script><!--新Google 468x15 橫鏈接單元結束-->

<!-- Google Reader shared發布代碼開始 --><script type="text/javascript" src="http://www.google.com/reader/ui/publisher.js"></script><script type="text/javascript" src="http://www.google.com/reader/public/javascript/user/00697638153916680411/state/com.google/broadcast?n=5&amp;callback=GRC_p%28%7Bc%3A%22green%22%2Ct%3A%22%5Cu8FD9%5Cu4E9B%5Cu6587%5Cu7AE0%5Cu4E5F%5Cu503C%5Cu5F97%5Cu4E00%5Cu770B%22%2Cs%3A%22false%22%7D%29%3Bnew%20GRC"></script><!-- Google Reader shared發布代碼結束 -->

UTF-8、GB2312、GB18030、GBK和BIG5等字符集編碼范圍的具體說明