字符编码基础知识

1.字符集和字符编码的概念

字符集：一个字符对应着一个数值，这样的一个表就叫做字符集

字符编码：一个字符在内存中是怎样存储的，占用几个字节，每个字节中保存什么内容

2. ASCII码（英文基本编码）

一个字节（Byte）有8位二进制位(bit)，每一个二进制位有0和1两种状态，因此每个字节就可以组合出256种状态，每一个状态对应一个符号，就是256个符号，从0000000到11111111。

上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为ASCII码，一直沿用至今。

ASCII码一共规定了128个字符的编码，比如空格"SPACE"是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。

对英文字符和数字字符而言，ASCII码已经基本够用。

3、本地语言编码

对其他语言而言，128个符号是远远不够的。因此很多国家的语言都有自己的通用编码。

例如：

简体中文编码：GB2312，后来扩展为GBK。GB2312(GBK)的编码方案是使用两个字节表示一个汉字，所以理论上最多可以表示256x256=65536个符号。

繁体中文编码：BIG5。编码方案是双字节存储。

4.Unicode

Unicode是一个字符集，是为了解决传统的字符编码方案的局限而产生的，为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。Unicode字符集涵盖了目前人类使用的所有字符，并为每个字符进行统一编号，分配唯一的字符码，每个符号的编码都不一样，比如，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字"严"。具体的符号对应表，可以查询unicode.org，或者专门的汉字对应表。Unicode字符集将所有字符按照使用上的频繁度划分为17个层面（Plane），每个层面上有2¹⁶=65536个字符码空间。

其中第0个层面BMP（Basic Multilingual Plane基本多文种平面），基本涵盖了当今世界用到的所有字符。其他的层面要么是用来表示一些远古时期的文字，要么是留作扩展。我们平常用到的Unicode字符，一般都是位于BMP层面上的。目前Unicode字符集中尚有大量字符空间未使用。

Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。Unicode的编码方式有很多种，常见的如UTF-8 UCS-2 UTF-16

5.UCS-2

UCS-2是一种Unicode的编码方式：直接用两个字节存入字符的Unicode码。UCS-2最初设计的时候只考虑到BMP字符，因此使用固定2个字节长度，也就是说，他无法表示Unicode其他层面上的字符，

UCS-2编码分为Big endian和Little endian两种方式。

例如：中”的Unicode字符码是0x4E2D(01001110 00101101)，那么我们可以编码为01001110 00101101（大端 Big endian，第一个字节4E，第二个字节2D）或者00101101 01001110 （小端 Little endian，第一个字节2D，第二个字节4E）。

6.UTF-16

UTF-16也是一种Unicode的编码方式，需要两个字节或者四个字节来存储字符。UTF-16可以看成是UCS-2的父集。在BMP字符（U+0000.. U+D7FF以及U+E000.. U+FFFF）内，和UCS-2完全一致。从U+D800到U+DFFF之间的区段永久保留不映射到字符， UTF-16利用这保留下来的0xD800-0xDFFF区段来对辅助平面（U+10000.. U+10FFFF）内的字符的Code Point进行编码。辅助平面(Supplementary Planes)中的字符，在UTF-16中被编码为一对16bit长的Code Unit（即32bit，4Bytes），称作代理对(surrogate pair)。具体代理对（surrogate pair）的设计请查验其他资料。

7.UTF-8

UTF-8是在互联网上使用最广的一种Unicode的编码方式。

UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。

UTF-8的编码规则有二条：

1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的Unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。

2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的Unicode码。

下表总结了编码规则，字母x表示可用编码的位。

Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
--------------------+---------------------------------------------
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

跟据上表，解读UTF-8编码非常简单。如果一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。

以汉字"徐"为例，演示如何实现UTF-8编码。

"徐"的Unicode是5F90（101111110010000），5F90处在上图第三行（0000 0800-0000 FFFF），因此"徐"的UTF-8编码需要三个字节，即格式是"1110xxxx 10xxxxxx 10xxxxxx"。然后，从"徐"的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。"徐"的UTF-8编码是"11100101 10111110 10010000"，转换成十六进制就是E5,BE,90。

8.Windows记事本中编码的选择

里面有四个选项：ANSI，Unicode，Unicode big endian 和 UTF-8。

1）ANSI是默认的编码方式。对于英文文件是ASCII编码，对于简体中文文件是GB2312编码（只针对Windows简体中文版，如果是繁体中文版会采用Big5码）。

2）Unicode编码指的是UCS-2编码方式，即直接用两个字节存入字符的Unicode码。这个选项用的little endian格式。

3）Unicode big endian编码。

4）UTF-8编码。

选择完"编码方式"后，点击"保存"按钮，文件的编码方式就立刻转换好了。

参考文章：

字符编码笔记：ASCII，Unicode和UTF-8http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html

关于字符编码，你所需要知道的              http://www.cnblogs.com/KevinYang/archive/2010/06/18/1760597.html