目录
一些预备知识:
在中国windows的编码是本地编码 , 即GBK,GB2312,GB18030等
GBK 也就是windows-986
Windows现在只支持Unicode (UTF-16),不再支持ANSI(因为各国家地区标准不统一,导致转换不便)
android系统中的编码,根据不同地区法律改变?
ASCIl的时候, 还不区分字符集和编码.
字符集（char set）就是字符的集合，收录了一定数量的字符。每个字符有对应的ID值，叫码点（code point）。实际存储的时候，不一定是直接存储字符串的码点（比如，为了节约空间），要进行转换。这个转换规则就是编码。
有多少个字符集呢?
名词解析:
character encoding
code point / code position
character map 字符映射
BOM （Byte Order Mark），字节顺序标记，出现在文本文件头部，Unicode编码标准中用于标识文件是采用哪种格式的编码。
UCS 规范建议我们在传输字节流前， 先传输字符 "Zero Width No-Break Space"。这样如果接收者收到 FEFF，就表明这个字节流是 Big-Endian 的；如果收到FFFE，就表明这个字节流是 Little- Endian 的。因此字符 "Zero Width No-Break Space" （“零宽无间断间隔”）又被称作 BOM。
ANSI ANSI编码
ascii gbk2312 big5 等都是ANSI的一种
不同 ANSI 编码之间互不兼容
UCS Unicode Character Set
UTF-8 UTF意为通用字集转换格式(Universal Character Set Transformation Format)
编码方案
UTF-7、UTF-8和UTF-16都是基于Unicode的编码方案。
Unicode Universal Multiple-Octet Coded Character Set
范围0-0x10FFFF : 1114112个字符 (17*65536 : 17个plane,每个plane有65536个字符)
已定义的有近十万个字符,其中七万多是汉字
字符集 UTF-8编码用这个字符集,UTF-16也是用这个字符集.
MBCS(Multi-Byte Chactacter System，即多字节字符系统) 它是编码的一种类型，而不是某个特定编码的名称。
UTF-16 和 UTF-8 一样是变长的编码. (它们变长的"粒度"不一样,以8比特为单位增加和以16比特为单位增加.),以此类推UTF-32 至少需要32比特表示
因为至少要二个字节表示一个字符,所以UTF-16不兼容ASCII (一个字节)
码位 : 可以分配给字符的数字。
UCD: Unicode字符数据库（Unicode Character Database）
block script
Big Endian和Little Endian
utf-8没有大小端的问题?
因为UTF-8是前缀码,而UTF-16有这个问题.所以需要BOM标记.
命令:
locale
locale -a
问题
一篇文章能有两种编码吗(比如前部分为UTF-8 , 后面为GBK18030) ? 如果这样不冲突,编码如何被解码? (或者这样表述更清楚,两种编码能混用吗?)
一些工具:
查看字符的实际编码.对应的二进制数据.
Linux下的工具:
locale 命令的作用范围,例外情况( 在某个应用或路径中使用指定的locale)
字符集:en_US.UTF-8 支持中文吗?
en_US.UTF-8 表示的字符集和zh_CN.UTF8 都是UTF-8 , 前面的en_US 或 zh_CN只是告诉系统,你讲什么语言,在哪个地域.
UTF-8是编码，它属于Unicode字符集。
解码,编码过程?
UTF-16分为大端和小端, UTF-8呢?
UTF-8
一段二进制编码，如何确定它是GBK还是BIG5还是UTF-16/UTF-8？
活用:
自己如何设计出一种编码?
输入法设计
编码类型转换:
============================================================================================================
一些可以帮助理解的模型,解释字符集等一系列相关概念的关系:
四层模型,五层模型
(其实大多数代码页都不需要完整的四层模型，例如GB18030以字节为编码单位，直接规定了字节序列和字符的映射关系，跳过了第二层，也不需要第四层。)
"the complete model needed to describe character sets and encodings"
a character set encoding involves at least two components, a set of characters, and a system for their encoded representation in the computer.
A more complete model is actually necessary, involving four different levels of representation: the abstract character repertoire, the coded character set, the character encoding form, and the character encoding scheme.
4个
1. abstract character repertoire 抽象字符集 字符的范围
抽象的字符层面
2. coded character set 编码字符集 用数字表示字符 utf-8
数学意义上的字符编号
比如Unicode的某个字符的,还没被转换成具体的存储内容前的号码
3. character encoding form 字符编码格式 用基本数据类型表示字符
程序员的视角:字节
跟大小端无关的实际存储
4. character encoding scheme字符编码方案 作为字节流的字符
二进制的实际表示:电脑中的实际存储的字节 (BE/LE)
UTF-16, UTF-32 等多字节才需要这一层 大小端
(
Character set encoding basics
http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&id=iws-chapter03
浅谈文字编码和Unicode
http://www.fmddlmyy.cn/text16.html
http://www.fmddlmyy.cn/text16.html
A tutorial on character code issues
https://www.cs.tut.fi/~jkorpela/chars.html)
计算机组成原理中的概念: