常見字符集

 常見字符集

咱們都知道中文是世界上文字符號最多的國家，中國的文字符號超過了非中文國家文字符號的總和，中華文明淵源流長啊！

中文的字符集也是最複雜的字符集，爲了向後兼容，設計中文字符集的科學家們可謂煞費苦心。中文的字體更是複雜，有甲骨文、金文、還有簡體的繁體的中文，呵呵，不是一個概念，實際上都是中文，只是表現形式和歷史年代不同罷了，光收集這些文字就是個天量的工做，更別爲這些文字作字庫了。

若是有些生僻字沒字庫有編號，那麼就沒法正確顯示在技術算計上，或者沒編號、也沒字庫，這幾無法輸入了。或者是編碼不對，那麼顯示出來的將是亂碼，或者內容驢脣不對馬嘴。這些問題困擾了無數的「IT」民工，固然包括我在內，更多的時候，是由於對字符集自己沒有一個全面認識和理解致使。其次就是對編程語言處理字符集的方式沒有透徹認識致使。

下面就說說常見的字符集，這裏主要關注與中文相關的字符集，其餘非中文的鳥語字符集不是被中文字符集包含了或者就不重要，能夠忽略不計。

常見的字符集編碼以下：

ASCII
最先的也是最基本最重要的一種英美文字的字符集，也能夠說是編碼。ASCII被定爲國際標準以後的代號爲ISO-646。因爲ASCII碼只使用了低7位二進制位，其餘的認爲無效，它僅使用了0~127這128個碼位。剩下的128個碼位即可以用來作擴展，而且ASCII的字符集序號與存儲的編碼徹底相同。

ISO-8859-*
隨着西歐國家的崛起，在ASCII的基礎上對剩餘的碼位作了擴展，就造成了一系列ISO-8859-*的標準。例如爲英語做了專門擴展的字符集編碼標準編號爲ISO-8859-1，也叫作Latin-1。因爲西歐小國衆多，稍有發言權的小國就紛紛在ASCII的基礎上擴展造成本身的編碼，這就是ISO-8859-*系列。很顯然ISO-8859-*系列的碼也是八位的，而且其字符集序號與存儲的編碼也徹底相同。

Unicode
爲了全世界信息的交流暢通，ISO組織制定了一套Unicode字符集方案，注意，不是編碼。並作了二次修正，如今還在不斷的發展完善中，由於總有新的文字被發現，被啓用，尤爲是中文。Unicode編碼號稱包含全世界的語言符號，所以Unicode經常做爲不一樣編碼間相互轉碼的橋樑。Unicode使用了32位二進制數據來爲字符編號（不是編碼），最大可容納2的31次方個字符，真是個天文數字。不過的確太多了，就約定一部分永遠不啓用。所以，注意了，這裏始終沒說Unicode的編碼，緣由是Unicode有多種編碼方案。
一個字符的Unicode字符編號是肯定的，可是在實際傳輸過程當中，因爲不一樣系統平臺的設計不必定一致，以及出於節省空間的目的，對Unicode編碼的方式有所不一樣。 這點與前兩種ASCII和ISO-8859-*大不相同。
Unicode的實現方式稱爲Unicode轉換格式(Unicode Translation Format，簡稱爲 UTF)，分UFT-八、UTF-1六、UTF-32三種。
UTF-8: 8bit變長編碼，對於大多數經常使用字符集(ASCII中0~127字符)它只使用單字節，而對其它經常使用字符(特別是朝鮮和漢語會意文字)，它使用3字節。
Unicode 的實現方式不一樣於編碼方式。
一個字符的Unicode編碼是肯定的，可是在實際傳輸過程當中，因爲不一樣系統平臺的設計不必定一致，以及出於節省空間的目的，對Unicode編碼的實現方式有所不一樣。
Unicode的實現方式稱爲Unicode轉換格式(Unicode Translation Format，簡稱爲 UTF)。

UTF-8: 8bit變長編碼，對於大多數經常使用字符集(ASCII中0~127字符)它只使用單字節，而對其它經常使用字符(特別是朝鮮和漢語會意文字)，它使用3字節。
UTF-8是用以解決國際上字符的一種多字節編碼，它對英文使用8位（即一個字節），中文使用24爲（三個字節）來編碼。UTF-8包含全世界全部國家須要用到的字符，是國際編碼，通用性強。UTF-8編碼的文字能夠在各國支持UTF8字符集的瀏覽器上顯示。如，若是是UTF8編碼，則在外國人的英文IE上也能顯示中文，他們無需下載IE的中文語言支持包

UTF-16: 16bit編碼，是變長碼，大體至關於20位編碼，值在0到0x10FFFF之間，基本上就是unicode編碼的實現，Java語言內部就使用這種編碼，也是普通意義上的Unicode碼。
UTF-32: 他對全部的Unicode字符均不作變換，直接使用編號存儲！只是這種編碼方案太浪費存儲空間（就連1個字節就能夠搞定的英文字符，它都必須使用4個字節），於是儘管使用起來方便（不須要任何轉換），卻沒有獲得普及。

GB2312
GB2312字集是簡體字集，全稱爲GB2312(80)字集，共包括國標簡體漢字6763個。

BIG5
BIG5字集是臺灣繁體字集，共包括國標繁體漢字13053個。

GBK
GBK字集是簡繁字集，包括了GB字集、BIG5字集和一些符號，共包括21003個字符。GBK編碼是GB2312編碼的超集，向下徹底兼容GB2312，同時GBK收錄了Unicode基本多文種平面中的全部CJK漢字。同 GB2312同樣，GBK也支持希臘字母、日文假名字母、俄語字母等字符，但不支持韓語中的表音字符（非漢字字符）。GBK還收錄了GB2312不包含的漢字部首符號、豎排標點符號等字符。

GB18030
GB18030是國家制定的一個強制性大字集標準，全稱爲GB18030-2000，它的推出使漢字集有了一個「大一統」的標準。
GB18030編碼向下兼容GBK和GB2312，兼容的含義是不只字符兼容，並且相同字符的編碼也相同。GB18030收錄了全部Unicode3.1中的字符，包括中國少數民族字符，GBK不支持的韓文字符等等，也能夠說是世界大多民族的文字符號都被收錄在內。

GBK和GB2312都是雙字節等寬編碼，若是算上和ASCII兼容所支持的單字節，也能夠理解爲是單字節和雙字節混合的變長編碼。GB18030編碼是變長編碼，有單字節、雙字節和四字節三種方式。

GB18030的單字節編碼範圍是0x00-0x7F，徹底等同與ASCII；雙字節編碼的範圍和GBK相同，高字節是0x81-0xFE，低字節的編碼範圍是0x40-0x7E和0x80-FE；四字節編碼中第1、三字節的編碼範圍是0x81-0xFE，2、四字節是0x30-0x39。

ANSI:
使用2個字節來表明一個字符的各類漢字延伸編碼方式，稱爲ANSI編碼。
在簡體中文系統下，ANSI編碼表明GB2312編碼，在日文操做系統下，ANSI編碼表明JIS編碼。

對於這些編碼，知道就好了，不必深究，不清楚的地方能夠去基惟百科上去查找：
http://wikimediafoundation.org/wiki/Home

對於這些編碼，他們的兼容性示意圖以下：

本文出自 「熔 巖」 博客，請務必保留此出處http://lavasoft.blog.51cto.com/62575/236042