几种常用的字符编码
無論在是在編輯文本文件的時候，還是在制作網頁的時候，總會遇到文本編碼方式的問題。如果處理不當，就會出現亂碼的問題。因此，有必要對文本的編碼方式做一個詳盡的了解。
常見的一些字符編碼方式無非有：Unicode、ASCII、GBK、GB2312、UTF-8。下面先對常見的這一些字符編碼方式作下說明：
1.ASCII碼
這是美國在19世紀60年代的時候為了建立英文字符和二進制的關系時制定的編碼規范，它能表示128個字符，其中包括英文字符、阿拉伯數字、西文字符以及32個控制字符。它用一個字節來表示具體的字符，但它只用后7位來表示字符（2^7=128），最前面的一位統一規定為0。
2.擴展的ASCII碼
原本的ASCII碼對于英文語言的國家是夠用了，但是歐洲國家的一些語言會有拼音，這時7個字節就不夠用了。因此一些歐洲國家就決定，利用字節中閑置的最高位編入新的符號。比如，法語中的é的編碼為130（二進制10000010）。這樣一來，這些歐洲國家使 用的編碼體系，可以表示最多256個符號。但這時問題也出現了：不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比如，130在法語編碼 中代表了é，在希伯來語編碼中卻代表了字母Gimel (?)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0—127表示的符號是一樣的，不一樣的只是128—255的這一段。這個問題就直接促使了Unicode編碼的產生。
3.Unicode符號集
正如上一節所說，世界上存在著多種編碼方式，同一個二進制數字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什么電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。而Unicode就是這樣一種編碼：它包含了世界上所有的符號，并且每一個符號都是獨一無二的。比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字“嚴”。具體的符號對應表，可以查詢unicode.org，或者專門的漢字對應表?。很多人都說Unicode編碼，但其實Unicode是一個符號集（世界上所有符號的符號集），而不是一種新的編碼方式。
但是正因為Unicode包含了所有的字符，而有些國家的字符用一個字節便可以表示，而有些國家的字符要用多個字節才能表示出來。即產生了兩個問題：第一，如果有兩個字節的數據，那計算機怎么知道這兩個字節是表示一個漢字呢？還是表示兩個英文字母呢？第二，因為不同字符需要的存儲長度不一樣，那么如果Unicode規定用2個字節存儲字符，那么英文字符存儲時前面1個字節都是0，這就大大浪費了存儲空間。
上面兩個問題造成的結果是：1）出現了unicode的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示unicode。2）unicode在很長一段時間內無法推廣，直到互聯網的出現。
4.UTF-8
互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在互聯網上使用最廣的一種unicode的實現方式。其他實現方式還包括UTF-16和UTF-32，不過在互聯網上基本不用。重復一遍，這里的關系是，UTF-8是Unicode的實現方式之一。
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。
?
UTF-8的編碼規則很簡單，只有兩條：
?
1）對于單字節的符號，字節的第一位設為0，后面7位為這個符號的unicode碼。因此對于英語字母，UTF-8編碼和ASCII碼是相同的。
?
2）對于n字節的符號（n>1），第一個字節的前n位都設為1，第n+1位設為0，后面字節的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符號的unicode碼。
.GBK/GB2312/GB18030
GBK和GB2312都是針對簡體字的編碼，只是GB2312只支持六千多個漢字的編碼，而GBK支持1萬多個漢字編碼。而GB18030是用于繁體字的編碼。漢字存儲時都使用兩個字節來儲存。
?
總的來說：
ASCII編碼：用來表示英文，它使用1個字節表示，其中第一位規定為0，其他7位存儲數據，一共可以表示128個字符。
拓展ASCII編碼：用于表示更多的歐洲文字，用8個位存儲數據，一共可以表示256個字符
GBK/GB2312/GB18030：表示漢字。GBK/GB2312表示簡體中文，GB18030表示繁體中文。
Unicode編碼：包含世界上所有的字符，是一個字符集。
UTF-8：是Unicode字符的實現方式之一，它使用1-4個字符表示一個符號，根據不同的符號而變化字節長度。
總結
- 上一篇： 自己做的苹果酒咋不甜呢？
- 下一篇： 磁盘分区格式FAT32与NTFS