字符编码小知识

ASCII ASCII码是 7位编码，编码范围是 0×00-0×7F。ASCII字符集包括英文字母、阿拉伯数字和标点符 号等字符。其中 0×00-0×20和 0×7F共 33个控制字符。 只支持 ASCII码的系统会忽略每个字节的最高位，只认为低 7位是有效位。HZ字符编码就是早期 为了在只支持 7位 ASCII系统中传输中文而设计的编码。早期很多邮件系统也只支持 ASCII编码， 为了传输中文邮件必须使用 BASE64或者其他编码方式。 GB2312 GB2312是基于区位码设计的，区位码把编码分为 94个区，每个区对应 94个位，每个字符的区 号和位号组合起来就是该汉字的区位码。区位码一般用 10进制数来表示，如 1601就表示 16区 1 位，对应的字符是“啊”。在区位码的区号和位号上分别加上 0xA0就得到了 GB2312编码。 区位码中 01-09区是符号、数字区，16-87区是汉字区，10-15和 88-94是未定义的空白区。它将 收录的汉字分成两级：第一级是常用汉字计 3755个，置于 16-55区，按汉语拼音字母/笔形顺序 排列；第二级汉字是次常用汉字计 3008个，置于 56-87区，按部首/笔画顺序排列。一级汉字是 按照拼音排序的，这个就可以得到某个拼音在一级汉字区位中的范围，很多根据汉字可以得到拼 音的程序就是根据这个原理编写的。 GB2312字符集中除常用简体汉字字符外还包括希腊字母、日文平假名及片假名字母、俄语西里尔 字母等字符，未收录繁体中文汉字和一些生僻字。可以用繁体汉字测试某些系统是不是只支持 GB2312编码。 GB2312的编码范围是 0xA1A1-0×7E7E，去掉未定义的区域之后可以理解为实际编码范围是 0xA1A1-0xF7FE。 EUC-CN可以理解为 GB2312的别名，和 GB2312完全相同。 区位码更应该认为是字符集的定义，定义了所收录的字符和字符位置，而 GB2312及 EUC-CN是实 际计算机环境中支持这种字符集的编码。HZ和 ISO- 2022-CN是对应区位码字符集的另外两种编码， 都是用 7位编码空间来支持汉字。区位码和 GB2312编码的关系有点像 Unicode和 UTF-8。 GBK GBK编码是 GB2312编码的超集，向下完全兼容 GB2312，同时 GBK收录了 Unicode基本多文种平 面中的所有 CJK汉字。同 GB2312一样，GBK也支持希腊字母、日文假名字母、俄语字母等字符， 但不支持韩语中的表音字符（非汉字字符）。GBK还收录了 GB2312不包含的汉字部首符号、竖 排标点符号等字符。 GBK的整体编码范围是为 0×8140-0xFEFE，不包括低字节是 0×7F的组合。高字节范围是 0×81- 0xFE，低字节范围是 0×40-7E和 0×80-0xFE。 低字节是 0×40-0×7E的 GBK字符有一定特殊性，因为这些字符占用了 ASCII码的位置，这样会 给一些系统带来麻烦。 有些系统中用 0×40-0×7E中的字符（如“|”）做特殊符号，在定位这些符号时又没有判断这些 符号是不是属于某个 GBK字符的低字节，这样就会造成错误判断。在支持 GB2312的环境下就不 存在这个问题。需要注意的是支持 GBK的环境中小于 0×80的某个字节未必就是 ASCII符号；另 外就是最好选用小于 0×40的 ASCII符号做一些特殊符号，这样就可以快速定位，且不用担心是 某个汉字的另一半。Big5编码中也存在相应问题。 CP936和 GBK的有些许差别，绝大多数情况下可以把 CP936当作 GBK的别名。 GB18030 GB18030编码向下兼容 GBK和 GB2312，兼容的含义是不仅字符兼容，而且相同字符的编码也相 同。GB18030收录了所有 Unicode3.1中的字符，包括中国少数民族字符，GBK不支持的韩文字符 等等，也可以说是世界大多民族的文字符号都被收录在内。 GBK和 GB2312都是双字节等宽编码，如果算上和 ASCII兼容所支持的单字节，也可以理解为是单 字节和双字节混合的变长编码。GB18030 编码是变长编码，有单字节、双字节和四字节三种方式。 GB18030的单字节编码范围是 0×00-0×7F，完全等同与 ASCII；双字节编码的范围和 GBK相同， 高字节是 0×81-0xFE，低字节的编码范围是 0×40-0×7E和 0×80-FE；四字节编码中第一、三字 节的编码范围是 0×81-0xFE，二、四字节是 0×30-0×39。 Windows中 CP936代码页使用 0×80来表示欧元符号，而在 GB18030编码中没有使用 0×80编码 位，用其他位置来表示欧元符号。这可以理解为是 GB18030向下兼容性上的一点小问题；也可以 理解为 0×80是 CP936对 GBK的扩展，而 GB18030只是和 GBK兼容良好。 Unicode 每一种语言的不同的编码页，增加了那些需要支持不同语言的软件的复杂度。因而人们制定了一 个世界，叫做 unicode。unicode为每个字符提供了唯一的特定数值，不论在什么平台上、不 论在什么软件中，也不论什么语言。也就是说，它世界上使用的所有字符都列出来，并给每一个 字符一个唯一特定数值。 Unicode的最初目标，是用 1个 16位的编码来为超过 6500符提供映射。但这还不够，它不能 覆盖全部历史上的文字，也不能解决传输的问题 (implantation head-ache’s)，尤其在那些基于网 络的应用中。已有的软件必须做大量的工作来程序 16位的数据。 因此，Unicode 用一些基本的保留字符制定了三套编码方式。它们分别是 UTF-8,UTF-16 和 UTF-32。 正如名字所示，在 UTF－8 中，字符是以 8 位序列来编码的，用一个或几个字节来表示一个字符。 这种方式的最大好处，是 UTF－8保留了 ASCII字符的编码做为它的一部分，例如，在 UTF－8和 ASCII中，“A”的编码都是 0×41. UTF－16和 UTF－32分别是 Unicode的 16位和 32位编码方式。考虑到最初的目的，通常说的 Unicode就是指 UTF-16。在讨论 Unicode时，搞清楚哪种编码方式非常重要。 【进一步阅读】http://baike.baidu.com/view/40801.htm UTF-8 Unicode Transformation Format-8bit，允许含 BOM，但通常不含 BOM。是用以解决国际上字符的 一种多字节编码，它对英文使用 8位（即一个字节），中文使用 24为（三个字节）来编码。UTF- 8包含全世界所有国家需要用到的字符，是国际编码，通用性强。UTF-8编码的文字可以在各国支 持 UTF8字符集的浏览器上显示。如，如果是 UTF8编码，则在外国人的英文 IE上也能显示中文， 他们无需下载 IE的中文语言支持包。 GBK 的文字编码是用双字节来表示的，即不论中、英文字符均使用双字节来表示，为了区分中文， 将其最高位都设定成 1。GBK包含全部中文字符，是国家编码，通用性比 UTF8差，不过 UTF8占 用的数据库比 GBD大。 GBK、GB2312等与 UTF8之间都必须通过 Unicode编码才能相互转换： GBK、GB2312－－Unicode－－UTF8 UTF8－－Unicode－－GBK、GB2312 对于一个网站、论坛来说，如果英文字符较多，则建议使用 UTF－8节省空间。不过现在很多论 坛的插件一般只支持 GBK。 ASCII GB2312 GBK GB18030 Unicode UTF-8