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是国家标准gb2312基础上扩容后兼容gb2312的标准。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。
个编码的区别详细解释
简单来说，unicode，gbk和大五码就是编码的值，而utf-8,uft-16之类就是这个值的表现形式．而前面那三种编码是一兼容的，同一个汉字，那三个码值是完全不一样的．如＂汉＂的uncode值与gbk就是不一样的，假设uncode为a040，gbk为b030，而uft-8码，就是把那个值表现的形式．utf-8码完全只针对uncode来组织的，如果ｇｂｋ要转ｕｔｆ－８必须先转uncode码，再转utf-8就ｏｋ了．
详细的就见下面转的这篇文章．
谈谈unicode编码，简要解释ucs、utf、bmp、bom等名词
这是一篇程序员写给程序员的趣味读物。所谓趣味是指可以比较轻松地了解一些原来不清楚的概念，增进知识，类似于打rpg游戏的升级。整理这篇文章的动机是两个问题：
问题一：
使用windows记事本的“另存为”，可以在gbk、unicode、unicode big endian和utf-8这几种编码方式间相互转换。同样是txt文件，windows是怎样识别编码方式的呢？
我很早前就发现unicode、unicode bigendian和utf-8编码的txt文件的开头会多出几个字节，分别是ff、fe（unicode）,fe、ff（unicode bigendian）,ef、bb、bf（utf-8）。但这些标记是基于什么标准呢？
问题二：
最近在网上看到一个convertutf.c，实现了utf-32、utf-16和utf-8这三种编码方式的相互转换。对于unicode(ucs2)、gbk、utf-8这些编码方式，我原来就了解。但这个程序让我有些糊涂，想不起来utf-16和ucs2有什么关系。
查了查相关资料，总算将这些问题弄清楚了，顺带也了解了一些unicode的细节。写成一篇文章，送给有过类似疑问的朋友。本文在写作时尽量做到通俗易懂，但要求读者知道什么是字节，什么是十六进制。
0、big endian和little endian
big endian和littleendian是cpu处理多字节数的不同方式。例如“汉”字的unicode编码是6c49。那么写到文件里时，究竟是将6c写在前面，还是将49写在前面？如果将6c写在前面，就是big endian。如果将49写在前面，就是little endian。
“endian”这个词出自《格列佛游记》。小人国的内战就源于吃鸡蛋时是究竟从大头(big-endian)敲开还是从小头(little-endian)敲开，由此曾发生过六次叛乱，一个皇帝送了命，另一个丢了王位。
我们一般将endian翻译成“字节序”，将big endian和little endian称作“大尾”和“小尾”。
1、字符编码、内码，顺带介绍汉字编码
字符必须编码后才能被计算机处理。计算机使用的缺省编码方式就是计算机的内码。早期的计算机使用7位的ascii编码，为了处理汉字，程序员设计了用于简体中文的gb2312和用于繁体中文的big5。
gb2312(1980年)一共收录了7445个字符，包括6763个汉字和682个其它符号。汉字区的内码范围高字节从b0-f7，低字节从a1-fe，占用的码位是72*94=6768。其中有5个空位是d7fa-d7fe。
gb2312支持的汉字太少。1995年的汉字扩展规范gbk1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字符。
从ascii、gb2312到gbk，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼，gb2312、gbk都属于双字节字符集 (dbcs)。
2000年的gb18030是取代gbk1.0的正式国家标准。该标准收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。从汉字字汇上说，gb18030在gb13000.1的20902个汉字的基础上增加了cjk扩展a的6582个汉字（unicode码0x3400-0x4db5），一共收录了27484个汉字。
cjk就是中日韩的意思。unicode为了节省码位，将中日韩三国语言中的文字统一编码。gb13000.1就是iso/iec 10646-1的中文版，相当于unicode 1.1。
gb18030的编码采用单字节、双字节和4字节方案。其中单字节、双字节和gbk是完全兼容的。4字节编码的码位就是收录了cjk扩展a的6582个汉字。例如：ucs的0x3400在gb18030中的编码应该是8139ef30，ucs的0x3401在gb18030中的编码应该是8139ef31。
微软提供了gb18030的升级包，但这个升级包只是提供了一套支持cjk扩展a的6582个汉字的新字体：新宋体-18030，并不改变内码。windows 的内码仍然是gbk。
这里还有一些细节：
gb2312的原文还是区位码，从区位码到内码，需要在高字节和低字节上分别加上a0。
对于任何字符编码，编码单元的顺序是由编码方案指定的，与endian无关。例如gbk的编码单元是字节，用两个字节表示一个汉字。这两个字节的顺序是固定的，不受cpu字节序的影响。utf-16的编码单元是word（双字节），word之间的顺序是编码方案指定的，word内部的字节排列才会受到endian的影响。后面还会介绍utf-16。
gb2312的两个字节的最高位都是1。但符合这个条件的码位只有128*128=16384个。所以gbk和gb18030的低字节最高位都可能不是1。不过这不影响dbcs字符流的解析：在读取dbcs字符流时，只要遇到高位为1的字节，就可以将下两个字节作为一个双字节编码，而不用管低字节的高位是什么。
2、unicode、ucs和utf
前面提到从ascii、gb2312、gbk到gb18030的编码方法是向下兼容的。而unicode只与ascii兼容（更准确地说，是与iso-8859-1兼容），与gb码不兼容。例如“汉”字的unicode编码是6c49，而gb码是baba。
unicode也是一种字符编码方法，不过它是由国际组织设计，可以容纳全世界所有语言文字的编码方案。unicode的学名是"universalmultiple-octet coded character set"，简称为ucs。ucs可以看作是"unicode characterset"的缩写。
根据维基百科全书(http://zh.wikipedia.org/wiki/)的记载：历史上存在两个试图独立设计unicode的组织，即国际标准化组织（iso）和一个软件制造商的协会（unicode.org）。iso开发了iso 10646项目，unicode协会开发了unicode项目。
在1991年前后，双方都认识到世界不需要两个不兼容的字符集。于是它们开始合并双方的工作成果，并为创立一个单一编码表而协同工作。从unicode2.0开始，unicode项目采用了与iso 10646-1相同的字库和字码。
目前两个项目仍都存在，并独立地公布各自的标准。unicode协会现在的最新版本是2005年的unicode 4.1.0。iso的最新标准是iso 10646-3:2003。
ucs只是规定如何编码，并没有规定如何传输、保存这个编码。例如“汉”字的ucs编码是6c49，我可以用4个ascii数字来传输、保存这个编码；也可以用utf-8编码:3个连续的字节e6 b189来表示它。关键在于通信双方都要认可。utf-8、utf-7、utf-16都是被广泛接受的方案。utf-8的一个特别的好处是它与iso-8859-1完全兼容。utf是“ucs transformation format”的缩写。
ietf的rfc2781和rfc3629以rfc的一贯风格，清晰、明快又不失严谨地描述了utf-16和utf-8的编码方法。我总是记不得ietf是internet engineering task force的缩写。但ietf负责维护的rfc是internet上一切规范的基础。
2.1、内码和code page
目前windows的内核已经支持unicode字符集，这样在内核上可以支持全世界所有的语言文字。但是由于现有的大量程序和文档都采用了某种特定语言的编码，例如gbk，windows不可能不支持现有的编码，而全部改用unicode。
windows使用代码页(code page)来适应各个国家和地区。code page可以被理解为前面提到的内码。gbk对应的code page是cp936。
微软也为gb18030定义了code page：cp54936。但是由于gb18030有一部分4字节编码，而windows的代码页只支持单字节和双字节编码，所以这个code page是无法真正使用的。
3、ucs-2、ucs-4、bmp
ucs有两种格式：ucs-2和ucs-4。顾名思义，ucs-2就是用两个字节编码，ucs-4就是用4个字节（实际上只用了31位，最高位必须为0）编码。下面让我们做一些简单的数学游戏：
ucs-2有2^16=65536个码位，ucs-4有2^31=2147483648个码位。
ucs-4根据最高位为0的最高字节分成2^7=128个group。每个group再根据次高字节分为256个plane。每个plane根据第3个字节分为256行 (rows)，每行包含256个cells。当然同一行的cells只是最后一个字节不同，其余都相同。
group 0的plane 0被称作basic multilingual plane, 即bmp。或者说ucs-4中，高两个字节为0的码位被称作bmp。
将ucs-4的bmp去掉前面的两个零字节就得到了ucs-2。在ucs-2的两个字节前加上两个零字节，就得到了ucs-4的bmp。而目前的ucs-4规范中还没有任何字符被分配在bmp之外。
4、utf编码
utf-8就是以8位为单元对ucs进行编码。从ucs-2到utf-8的编码方式如下：
ucs-2编码(16进制) utf-8 字节流(二进制)
0000 - 007f 0xxxxxxx
0080 - 07ff 110xxxxx 10xxxxxx
0800 - ffff 1110xxxx 10xxxxxx 10xxxxxx
例如“汉”字的unicode编码是6c49。6c49在0800-ffff之间，所以肯定要用3字节模板了：1110xxxx 10xxxxxx10xxxxxx。将6c49写成二进制是：0110 110001 001001，用这个比特流依次代替模板中的x，得到：1110011010110001 10001001，即e6 b1 89。
读者可以用记事本测试一下我们的编码是否正确。需要注意，ultraedit在打开utf-8编码的文本文件时会自动转换为utf-16，可能产生混淆。你可以在设置中关掉这个选项。更好的工具是hex workshop。
utf-16以16位为单元对ucs进行编码。对于小于0x10000的ucs码，utf-16编码就等于ucs码对应的16位无符号整数。对于不小于0x10000的ucs码，定义了一个算法。不过由于实际使用的ucs2，或者ucs4的bmp必然小于0x10000，所以就目前而言，可以认为utf-16和ucs-2基本相同。但ucs-2只是一个编码方案，utf-16却要用于实际的传输，所以就不得不考虑字节序的问题。
5、utf的字节序和bom
utf-8以字节为编码单元，没有字节序的问题。utf-16以两个字节为编码单元，在解释一个utf-16文本前，首先要弄清楚每个编码单元的字节序。例如“奎”的unicode编码是594e，“乙”的unicode编码是4e59。如果我们收到utf-16字节流“594e”，那么这是“奎”还是“乙”？
unicode规范中推荐的标记字节顺序的方法是bom。bom不是“bill of material”的bom表，而是byte order mark。bom是一个有点小聪明的想法：
在ucs编码中有一个叫做"zero width no-breakspace"的字符，它的编码是feff。而fffe在ucs中是不存在的字符，所以不应该出现在实际传输中。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"又被称作bom。
utf-8不需要bom来表明字节顺序，但可以用bom来表明编码方式。字符"zero width no-breakspace"的utf-8编码是ef bb bf（读者可以用我们前面介绍的编码方法验证一下）。所以如果接收者收到以ef bbbf开头的字节流，就知道这是utf-8编码了。
windows就是使用bom来标记文本文件的编码方式的。
6、进一步的参考资料
本文主要参考的资料是 "short overview of iso-iec 10646 and unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。
我还找了两篇看上去不错的资料，不过因为我开始的疑问都找到了答案，所以就没有看：
"understanding unicode a general introduction to the unicode standard" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=iws-chapter04a)
"character set encoding basics understanding character set encodings and legacy encodings" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=iws-chapter03)
我写过utf-8、ucs-2、gbk相互转换的软件包，包括使用windows api和不使用windows api的版本。以后有时间的话，我会整理一下放到我的个人主页上(http://fmddlmyy.home4u.china.com)。
我是想清楚所有问题后才开始写这篇文章的，原以为一会儿就能写好。没想到考虑措辞和查证细节花费了很长时间，竟然从下午1:30写到9:00。希望有读者能从中受益。
附录1 再说说区位码、gb2312、内码和代码页
有的朋友对文章中这句话还有疑问：
“gb2312的原文还是区位码，从区位码到内码，需要在高字节和低字节上分别加上a0。”
我再详细解释一下：
“gb2312的原文”是指国家1980年的一个标准《中华人民共和国国家标准 信息交换用汉字编码字符集 基本集 gb2312-80》。这个标准用两个数来编码汉字和中文符号。第一个数称为“区”，第二个数称为“位”。所以也称为区位码。1-9区是中文符号，16-55区是一级汉字，56-87区是二级汉字。现在windows也还有区位输入法，例如输入1601得到“啊”。（这个区位输入法可以自动识别16进制的gb2312和10进制的区位码，也就是说输入b0a1同样会得到“啊”。）
内码是指操作系统内部的字符编码。早期操作系统的内码是与语言相关的。现在的windows在系统内部支持unicode，然后用代码页适应各种语言，“内码”的概念就比较模糊了。微软一般将缺省代码页指定的编码说成是内码。
内码这个词汇，并没有什么官方的定义，代码页也只是微软这个公司的叫法。作为程序员，我们只要知道它们是什么东西，没有必要过多地考证这些名词。
所谓代码页(code page)就是针对一种语言文字的字符编码。例如gbk的code page是cp936，big5的code page是cp950，gb2312的code page是cp20936。
windows中有缺省代码页的概念，即缺省用什么编码来解释字符。例如windows的记事本打开了一个文本文件，里面的内容是字节流：ba、ba、d7、d6。windows应该去怎么解释它呢？
是按照unicode编码解释、还是按照gbk解释、还是按照big5解释，还是按照iso8859-1去解释？如果按gbk去解释，就会得到“汉字”两个字。按照其它编码解释，可能找不到对应的字符，也可能找到错误的字符。所谓“错误”是指与文本作者的本意不符，这时就产生了乱码。
答案是windows按照当前的缺省代码页去解释文本文件里的字节流。缺省代码页可以通过控制面板的区域选项设置。记事本的另存为中有一项ansi，其实就是按照缺省代码页的编码方法保存。
windows的内码是unicode，它在技术上可以同时支持多个代码页。只要文件能说明自己使用什么编码，用户又安装了对应的代码页，windows就能正确显示，例如在html文件中就可以指定charset。
有的html文件作者，特别是英文作者，认为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之间的字符，中文windows又按照缺省的gbk去解释，就会出现乱码。这时只要在这个html文件中加上指定charset的语句，例如：
<meta http-equiv="content-type" content="text/html; charset=iso8859-1">
如果原作者使用的代码页和iso8859-1兼容，就不会出现乱码了。
再说区位码，啊的区位码是1601，写成16进制是0x10,0x01。这和计算机广泛使用的ascii编码冲突。为了兼容00-7f的ascii编码，我们在区位码的高、低字节上分别加上a0。这样“啊”的编码就成为b0a1。我们将加过两个a0的编码也称为gb2312编码，虽然gb2312的原文根本没提到这一点。
如对本文有疑问，
点击进行留言回复！！
我要评论
网友评论