一、字符编码简介
计算机里，只能用二进制码记录文字、图片、图像、声音等媒体，要想将各式各样的媒体映射为简单的二进制编码（媒体 –> 01），就要将很多01根据多种变化的排列组合来表示这些媒体，这些排列组合的方法就成为了编码，文字、图片、声音都存在各式各样的编码。今天学习一下燕十八PHP公益培训课之——字符编码篇。
1、ASCII
最早的编码——ASCII编码，ASCII编码只能表示键盘上（A-Z、a-z、0-9、+-*/&^%）等不超过127个字符。
1个字节有8位，可以表示256个字符，要表示ASCII码只需要7位就够了，所有最高位始终是0。
| 0000 0000 1111 1111 --> 共256种值 |
常用汉字3000多，1个字节不能表示，只能用2个字节表示，可以表示65535个字符，表示汉字够用了。
| 0000 0000 0000 0000 1111 1111 1111 1111 --> 共65535种值 |
2、GB2312
最早的中文字符集GB2312，GB2312不占用ASCII的0-127，两个字节组合来用，但是这样的组合就少了很多，例如：
| 1xxx xxxx 1xxx xxxx --> [129 - 255] [129 - 255] 例如： 130 140 97 95 144 233 （分组前） ↓ ↓ ↓ ↓ [130 140] [97] [95] [144 233] (分组后) ↓ ↓ ↓ ↓ [汉字] [字母] [字母] [汉字] |
GB2312只收录了6763个汉字,基本满足了常用汉字的需求，但有些汉字没有收录。
3、GBK
GBK编码完全兼容GB2312，GBK还是双字节，理论上第2字节不再局限于129-255，如果第1字节大于128,则带下一个字节组成一个汉字，如果第1个小于128，就直接转ASCII。例如：
| 1xxx xxxx xxxx xxxx --> [129 - 255][0 - 255] 例如： 133 22 63 199 22 (分组前) ↓ ↓ ↓ [133 22] [63] [199 22] (分组后) ↓ ↓ ↓ [汉字] [字母] [汉字] |
实际上，GBK的编码方式，有单字节和双字节编码组成，00-7F范围内只占一位，和ASCII保持一致，此范围内阉割上说有96个字符和32个控制符号。之后的双字节中，前一字节是双字节的第一位。总体上说第一字节的范围是81-FE（也就是不含80和FF），第二字节的一部分领域在40-7E，其他领域在80-FE。收录汉字21003个、符号883个、并提供1894个造字码位。
4、Unicode和UTF-8
Unicode是一个世界通用的码表，它占4个字节,包含232，共40多亿字符，但常用的集中在前65535个标号里，2个字节就够用了。Unicode只负责分配编号,而且都用4个字节来分配编号,而真正的实现方式成为Unicode转换格式（Unicode Transformation Format，简称为UTF）
例如，如果一个仅包含基本7位ASCII字符的Unicode文件，如果每个字符都使用2字节的原Unicode编码传输，其第一字节的8位始终为0，这造成了较大的浪费。对于这种情况，可以使用UTF-8编码，这是一种变长编码。它根据一定的算法减小浪费，具体实现如下：
| Unicode根据一定算法转为UTF-8 例如： 0000 0000 0000 0000 0000 0000 0000 0041 –> A （Unicode） ↓ 0000 0041 –> A （UTF-8） |
Unicode与UTF-8的关系就像原文件与压缩文件的关系，具体如下：
|
UCS-4编码 |
UTF-8字节流 |
| U+00000000 - U+0000007F | 0xxxxxxx |
| U+00000080 - U+000007FF | 110xxxxx 10xxxxxx |
| U+00000800 - U+0000FFFF | 1110xxxx 10xxxxxx 10xxxxxx |
| U+00010000 - U+001FFFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx |
| U+00200000 - U+03FFFFFF | 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx |
| U+00040000 - U+7FFFFFFF | 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx |
UTF-8编码是根据第一字节的高位来决定一个字符占几个字节的，基本规律是：
|
第一字节高位 |
占用字节数 |
| 0 | 1个字节 |
| 11 | 2个字节 |
| 111 | 3个字节 |
| 1111 | 4个字节 |
| 11111 | 5个字节 |
| 111111 | 6个字节 |
二、乱码的形成
乱码产生的原因：
- 解码时与实际编码不一致（可修复）。
- 传输过程中，编码不一致，导致字节丢失（不可修复）。
1、解码时与实际编码不一致情况
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/xhtml"> <head> <meta http-equiv="Content-Type" content="text/html;charset=utf-8" />
<!-- 当charset为utf-8时，文档又另存为ansi(GBK)格式,网页就会产生乱码 -->！-- --》
<title>乱码测试</title> </head> <body> 测试 </body> </html>
2、传输过程中，编码不一致，导致字节丢失（这种情况将在下一篇见到）