從ASCII編碼談起：
我們需要了解的最早編碼是ASCII碼。它用7個(gè)二進(jìn)制位來(lái)表示，由于那個(gè)時(shí)期生產(chǎn)的大多數計算機使用8位大小的字節，因此用戶(hù)不僅可以存放所有可能的ASCII字符，而且有整整一位空余下來(lái)。如果你技藝高超，可以將該位用做自己離奇的目的：WordStar中那個(gè)發(fā)暗的燈泡實(shí)際上設置這個(gè)高位，以指示一個(gè)單詞中的最后一個(gè)字母，同時(shí)這也宣示了WordStar只能用于英語(yǔ)文本。
由于字節有多達8位的空間，因此許多人在想：“呀！我們可以把128~255之間的編碼用做個(gè)人的應用目的。”問(wèn)題在于，同時(shí)產(chǎn)生這種想法的人相當多，而且在128~255之間的各個(gè)位置上應該存放什么這一問(wèn)題上，真是仁者見(jiàn)仁智者見(jiàn)智。事實(shí)上，只要人們開(kāi)始在美國以外的地方購買(mǎi)計算機，那么各種各樣的不同OEM字符集都會(huì )進(jìn)入規劃設計行列，并且各人都會(huì )根據自己的需要使用高位的128個(gè)字符。如此一來(lái)，甚至在同語(yǔ)種的文檔之間就不容易實(shí)現互換。ASCII可被擴展，最優(yōu)秀的擴展方案是ISO 8859-1，通常稱(chēng)之為L(cháng)atin-1。Latin-1包括了足夠的附加字符集來(lái)寫(xiě)基本的西歐語(yǔ)言。
最后，這個(gè)人人參與的OEM終于以ANSI標準的形式形成文件。在A(yíng)NSI標準中，每個(gè)人都認同如何使用低端的128個(gè)編碼，這與ASCII相當一致。不過(guò)，根據所在國籍的不同，處理編碼128以上的字符有許多不同的方式。這些不同的系統稱(chēng)為代碼頁(yè)。
同時(shí)，甚至更為令人頭疼的事情正在逐步上演，亞洲國家的字符表有成千上萬(wàn)個(gè)字符，這樣的字符表是用8位二進(jìn)制無(wú)法表示的。該問(wèn)題的解決通常有賴(lài)于稱(chēng)為DBCS（double byte character set，雙字節字符集）的繁雜字符系統。
不過(guò)，仍然需要指出一點(diǎn)，多數人還是姑且認為一個(gè)字節就是一個(gè)字符，以及一個(gè)字符就是8個(gè)二進(jìn)制位，并且只要確保不將字符串從一臺計算機移植到另一臺計算機，或者說(shuō)一種以上的語(yǔ)言，那么這幾乎總是可以湊合。當然，只要一進(jìn)入Internet，從一臺計算機向另一臺計算機移植字符串就成為家常便飯了，而各種復雜狀況也隨之呈現出來(lái)。令人欣慰的是，Unicode隨即問(wèn)世了。
Unicode編碼：
Unicode勇往直前地創(chuàng )建一種單一字符集，試圖囊括地球上所有合理文字體系。每個(gè)字符在Unicode中一律以2個(gè)Byte編碼。ISO頒布10646號標準叫UCS(Universal Character Set)。在UCS通用集中，每個(gè)字符用4個(gè)Byte編碼。慶幸的是，Unicode策進(jìn)會(huì )自欺欺人1991年以來(lái)便和UCS小組密切配合，從而使Unicode和ISO 10646保持一致辭。
仔細算來(lái)，康熙字典里的中文字就有4萬(wàn)多個(gè)，如果再加上里面沒(méi)有的簡(jiǎn)體字，那么Unicode的6萬(wàn)字容量?jì)H漢字就已用得大部分。對此,Unicode和UCS采用中、日、韓整合(CJK Unification)的解決方案，把中日韓文中筆劃相近的字，盡量以一個(gè)單碼來(lái)代表。經(jīng)過(guò)中日韓整合的漢字，在Unicode中稱(chēng)Unihan(統漢字)。Unicode標準中，共有2萬(wàn)多個(gè)統漢字，所以它不包括日常罕見(jiàn)的漢字。Unihan統漢字在Unicode中主要分布在3400到9fff之間，此外f900和faff之間了有一些。其中BIG5和GB2312中的漢字和符號都在4000和9fff之間。
UCS通用字符集中，有UCS-2和UCS-4等編碼方式，其中的‘2‘和‘4‘指的是字節數。就目前而言，在UCS-2碼之前補上兩個(gè)零字節，便可得到相對應的UCS-4碼。
UTF-8編碼與UTF-16編碼：
UCS只是規定如何編碼，并沒(méi)有規定如何傳輸、保存這個(gè)編碼。例如“漢”字的UCS編碼是6C49，我可以用4個(gè)ascii數字來(lái)傳輸、保存這個(gè)編碼；也可以用utf-8編碼:3個(gè)連續的字節E6 B1 89來(lái)表示它。關(guān)鍵在于通信雙方都要認可。UTF-8、UTF-7、UTF-16都是被廣泛接受的方案。UTF-8的一個(gè)特別的好處是它與ISO-8859-1完全兼容。UTF是"UCS Transformation Format"的縮寫(xiě)。
用Unicode字符集寫(xiě)的英語(yǔ)文本是ASCII或Latin-1寫(xiě)的文本大小的兩倍。UTF-8是Unicode壓縮版本，對于大多數常用字符集(ASCII中0~127字符)它只使用單字節，而對其它常用字符(特別是朝鮮和漢語(yǔ)會(huì )意文字)，它使用３字節。如果寫(xiě)的主要是英語(yǔ)，那么UTF-8可減少文件大小一半左右。反之，如果主要寫(xiě)漢、日、朝鮮語(yǔ)，那么UTF-8會(huì )把文件大小增大50%。UTF-8就是以8位為單元對UCS進(jìn)行編碼。
除非特別指定，XML處理器假設文本數據是UTF-8格式。
UTF-8的格式為：
| UCS-2編碼(16進(jìn)制) | UTF-8 字節流(二進(jìn)制) |
| 0000 - 007F | 0xxxxxxx |
| 0080 - 07FF | 110xxxxx 10xxxxxx |
| 0800 - FFFF | 1110xxxx 10xxxxxx 10xxxxxx |
例如“漢”字的Unicode編碼是6C49。6C49在0800-FFFF之間，所以肯定要用3字節模板了：1110xxxx 10xxxxxx 10xxxxxx。將6C49寫(xiě)成二進(jìn)制是：0110 110001 001001， 用這個(gè)比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。
在當今大多數計算機系統中，仍是以字節單元來(lái)做存取。如果以UTF-16(雙字節)來(lái)存取資料，會(huì )產(chǎn)生許多問(wèn)題。例如，在Ｃ語(yǔ)言中，0x00這個(gè)字節有特殊的意義和作用。而UTF-16的頭256個(gè)字碼的第一個(gè)字節，正是0x00(第二個(gè)字節則是相對的ISO 8850-1字碼)，因此用UTF-16來(lái)表示文檔名、網(wǎng)址等，會(huì )出現許多意想不到的問(wèn)題。不只0x00,還有許多其他字符，也都可能和許多OS相沖突。
此外，UTF-16及許多亞洲地區現行的雙字節區域性編碼方式，在應用上都有先天性缺陷。例，字符與字符之間的邊界不好找，程序在處理時(shí)必須從頭掃描，才能正確可靠地找出某個(gè)字符的邊界，這樣效率極低。此處，若中文文件中某個(gè)地方錯了一個(gè)字節，所有在這個(gè)字節之后的中文字都會(huì )壞掉，一直到下個(gè)英文字符或空白字符出現為止。
以上問(wèn)題，在UTF-8中都不存在。Unicode標準中明文規定，當UTF-8格式的文件中有不合法的組合出現時(shí)，該怎么處理。例，碰到第一個(gè)字節是以1110開(kāi)頭，但是下一個(gè)字節卻是以0開(kāi)頭。
從另一個(gè)角度看，若改用UTF-16來(lái)編碼，雖然不會(huì )增加亞洲文字所占的空間(都是兩個(gè)字節)，但對西文來(lái)說(shuō)，等于讓所有的文件大小一律加倍。這也難怪西方世界的軟件設計師對Unicode缺乏興趣。有了UTF-8，為數眾多的英文文件不需任何轉換，就自然符合UTF-8，這對向英文國家促銷(xiāo)Unicode有很在幫助。
編碼序的問(wèn)題：
將編碼存儲為2個(gè)字節的傳統方法稱(chēng)為UCS-2（因為它有2個(gè)字節）或者UTF-16（因為它有16位），不過(guò)仍然需要弄清它是高端存放模式的UCS-2，還是低端存放模式的UCS-2。
big endian和little endian是CPU處理多字節數的不同方式。例如“漢”字的Unicode編碼是6C49。那么寫(xiě)到文件里時(shí)，究竟是將6C寫(xiě)在前面，還是將49寫(xiě)在前面？如果將6C寫(xiě)在前面，就是big endian。如果將49寫(xiě)在前面，就是little endian。
"endian"這個(gè)詞出自《格列佛游記》。小人國的內戰就源于吃雞蛋時(shí)是究竟從大頭(Big-Endian)敲開(kāi)還是從小頭(Little-Endian)敲開(kāi)，由此曾發(fā)生過(guò)六次叛亂，一個(gè)皇帝送了命，另一個(gè)丟了王位。
我們一般將endian翻譯成"字節序"，將big endian和little endian稱(chēng)作"大尾"和"小尾"。
UTF-8以字節為編碼單元，沒(méi)有字節序的問(wèn)題。UTF-16以?xún)蓚€(gè)字節為編碼單元，在解釋一個(gè)UTF-16文本前，首先要弄清楚每個(gè)編碼單元的字節序。例如"奎"的Unicode編碼是594E，"乙"的Unicode編碼是4E59。如果我們收到UTF-16字節流"594E"，那么這是“奎”還是"乙"？
Unicode規范中推薦的標記字節順序的方法是BOM(即Byte Order Mark)。
BOM是一個(gè)有點(diǎn)小聰明的想法：
在UCS編碼中有一個(gè)叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的編碼是FEFF。而FFFE在UCS中是不存在的字符，所以不應該出現在實(shí)際傳輸中。UCS規范建議我們在傳輸字節流前，先傳輸字符"ZERO WIDTH NO-BREAK SPACE"。
這樣如果接收者收到FEFF，就表明這個(gè)字節流是Big-Endian的；如果收到FFFE，就表明這個(gè)字節流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被稱(chēng)作BOM。
UTF-8不需要BOM來(lái)表明字節順序，但可以用BOM來(lái)表明編碼方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8編碼是EF BB BF（讀者可以用我們前面介紹的編碼方法驗證一下）。所以如果接收者收到以EF BB BF開(kāi)頭的字節流，就知道這是UTF-8編碼了。
Windows就是使用BOM來(lái)標記文本文件的編碼方式的。
漢字的編碼：
早期的計算機使用7位的ASCII編碼，為了處理漢字，程序員設計了用于簡(jiǎn)體中文的GB2312和用于繁體中文的BIG5。
GB2312(1980年)一共收錄了7445個(gè)字符，包括6763個(gè)漢字和682個(gè)其它符號。漢字區的內碼范圍高字節從B0-F7，低字節從A1-FE，占用的碼位是72*94=6768。其中有5個(gè)空位是D7FA-D7FE。GB2312-80中共收錄了7545個(gè)字符，用兩個(gè)字節編碼一個(gè)字符。每個(gè)字符最高位為0。GB2312-80編碼簡(jiǎn)稱(chēng)國標碼。
GB2312支持的漢字太少。1995年的漢字擴展規范GBK1.0收錄了21886個(gè)符號，它分為漢字區和圖形符號區。漢字區包括21003個(gè)字符。
從ASCII、GB2312到GBK，這些編碼方法是向下兼容的，即同一個(gè)字符在這些方案中總是有相同的編碼，后面的標準支持更多的字符。在這些編碼中，英文和中文可以統一地處理。區分中文編碼的方法是高字節的最高位不為0。按照程序員的稱(chēng)呼，GB2312、GBK都屬于雙字節字符集 (DBCS)。
2000年的GB18030是取代GBK1.0的正式國家標準。該標準收錄了27484個(gè)漢字，同時(shí)還收錄了藏文、蒙文、維吾爾文等主要的少數民族文字。從漢字字匯上說(shuō)，GB18030在GB13000.1的20902個(gè)漢字的基礎上增加了CJK擴展A的6582個(gè)漢字（Unicode碼0x3400-0x4db5），一共收錄了27484個(gè)漢字。
GB18030的編碼采用單字節、雙字節和4字節方案。其中單字節、雙字節和GBK是完全兼容的。4字節編碼的碼位就是收錄了CJK擴展A的6582個(gè)漢字。 例如：UCS的0x3400在GB18030中的編碼應該是8139EF30，UCS的0x3401在GB18030中的編碼應該是8139EF31。
微軟提供了GB18030的升級包，但這個(gè)升級包只是提供了一套支持CJK擴展A的6582個(gè)漢字的新字體：新宋體-18030，并不改變內碼。Windows 的內碼仍然是GBK。
這里還有一些細節：
GB2312的原文還是區位碼，從區位碼到內碼，需要在高字節和低字節上分別加上A0。
前面提到從ASCII、GB2312、GBK到GB18030的編碼方法是向下兼容的。而Unicode只與ASCII兼容（更準確地說(shuō)，是與ISO-8859-1兼容），與GB碼不兼容。例如“漢”字的Unicode編碼是6C49，而GB碼是BABA。
對于任何字符編碼，編碼單元的順序是由編碼方案指定的，與endian無(wú)關(guān)。例如GBK的編碼單元是字節，用兩個(gè)字節表示一個(gè)漢字。 這兩個(gè)字節的順序是固定的，不受CPU字節序的影響。UTF-16的編碼單元是word（雙字節），word之間的順序是編碼方案指定的，word內部的字節排列才會(huì )受到endian的影響。后面還會(huì )介紹UTF-16。
GB2312的兩個(gè)字節的最高位都是1。但符合這個(gè)條件的碼位只有128*128=16384個(gè)。所以GBK和GB18030的低字節最高位都可能不是1。不過(guò)這不影響DBCS字符流的解析：在讀取DBCS字符流時(shí)，只要遇到高位為1的字節，就可以將下兩個(gè)字節作為一個(gè)雙字節編碼，而不用管低字節的高位是什么。
目前Windows的內核已經(jīng)采用Unicode編碼，這樣在內核上可以支持全世界所有的語(yǔ)言文字。但是由于現有的大量程序和文檔都采用了某種特定語(yǔ)言的編碼，例如GBK，Windows不可能不支持現有的編碼，而全部改用Unicode。
Windows使用代碼頁(yè)(code page)來(lái)適應各個(gè)國家和地區。code page可以被理解為下節提到的內碼。GBK對應的code page是CP936。
微軟也為GB18030定義了code page：CP54936。但是由于GB18030有一部分4字節編碼，而Windows的代碼頁(yè)只支持單字節和雙字節編碼，所以這個(gè)code page是無(wú)法真正使用的。
內碼與外碼：
我們常說(shuō)漢字的"內碼"與"外碼"。內碼是漢字在計算機內部存儲，處理和傳輸用的信息編碼。它必須與ASCII碼兼容但又不能沖突，所以把國標碼兩個(gè)字節的最高位置‘1‘，以區別于西文，這就是內碼。漢字的輸入碼稱(chēng)為"外碼"。輸入碼即指我們輸入漢字時(shí)使用的編碼。常見(jiàn)的外碼分為數字編碼(如區位碼)，拼音編碼和字形編碼(如五筆)。
再說(shuō)區位碼，"啊"的區位碼是1601，寫(xiě)成16進(jìn)制是0x10,0x01。這和計算機廣泛使用的ASCII編碼沖突。為了兼容00-7f的ASCII編碼，我們在區位碼的高、低字節上分別加上A0。這樣"啊"的編碼就成為B0A1。我們將加過(guò)兩個(gè)A0的編碼也稱(chēng)為GB2312編碼，雖然GB2312的原文根本沒(méi)提到這一點(diǎn)。
內碼是指操作系統內部的字符編碼。早期操作系統的內碼是與語(yǔ)言相關(guān)的.現在的Windows在內部統一使用Unicode，然后用代碼頁(yè)適應各種語(yǔ)言,"內碼"的概念就比較模糊了。我們一般將缺省代碼頁(yè)指定的編碼說(shuō)成是內碼。內碼這個(gè)詞匯，并沒(méi)有什么官方的定義。代碼頁(yè)也只是微軟的一種習慣叫法。作為程序員，我們只要知道它們是什么東西，沒(méi)有必要過(guò)多地考證這些名詞。
所謂代碼頁(yè)(code page)就是針對一種語(yǔ)言文字的字符編碼。例如GBK的code page是CP936，BIG5的code page是CP950，GB2312的code page是CP20936。
Windows中有缺省代碼頁(yè)的概念，即缺省用什么編碼來(lái)解釋字符。例如Windows的記事本打開(kāi)了一個(gè)文本文件，里面的內容是字節流：BA、BA、D7、D6。Windows應該去怎么解釋它呢？是按照Unicode編碼解釋、還是按照GBK解釋、還是按照BIG5解釋?zhuān)€是按照ISO8859-1去解釋?zhuān)咳绻碐BK去解釋?zhuān)蜁?huì )得到"漢字"兩個(gè)字。按照其它編碼解釋?zhuān)赡苷也坏綄淖址?，也可能找到錯誤的字符。所謂"錯誤"是指與文本作者的本意不符，這時(shí)就產(chǎn)生了亂碼。
答案是Windows按照當前的缺省代碼頁(yè)去解釋文本文件里的字節流。缺省代碼頁(yè)可以通過(guò)控制面板的區域選項設置。記事本的另存為中有一項ANSI，其實(shí)就是按照缺省代碼頁(yè)的編碼方法保存。
Windows的內碼是Unicode，它在技術(shù)上可以同時(shí)支持多個(gè)代碼頁(yè)。只要文件能說(shuō)明自己使用什么編碼，用戶(hù)又安裝了對應的代碼頁(yè)，Windows就能正確顯示，例如在HTML文件中就可以指定charset。
有的HTML文件作者，特別是英文作者，認為世界上所有人都使用英文，在文件中不指定charset。如果他使用了0x80-0xff之間的字符，中文Windows又按照缺省的GBK去解釋?zhuān)蜁?huì )出現亂碼。這時(shí)只要在這個(gè)html文件中加上指定charset的語(yǔ)句，例如：
<meta http-equiv="Content-Type" content="text/html; charset=ISO8859-1">
如果原作者使用的代碼頁(yè)和ISO8859-1兼容，就不會(huì )出現亂碼了。
進(jìn)一步的參考資料
"Short overview of ISO-IEC 10646 and Unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)
聯(lián)系客服
