常用字符集編碼詳解 ASCII GB2312 GBK GB18030 UTF-8 unicode
分享一下我老師大神的人工智慧教程！零基礎，通俗易懂！http://blog.csdn.net/jiangjunshow
也歡迎大家轉載本篇文章。分享知識，造福人民，實現我們中華民族偉大復興！
ASCII
ASCII碼是7位編碼，編碼範圍是0x00-0x7F。ASCII字符集包括英文字母、阿拉伯數字和標點符號等字元。其中0x00-0x20和0x7F共33個控制字元。
只支援ASCII碼的系統會忽略每個位元組的最高位，只認為低7位是有效位。HZ字元編碼就是早期為了在只支援7位ASCII系統中傳輸中文而設計的編碼。早期很多郵件系統也只支援ASCII編碼，為了傳輸中文郵件必須使用BASE64或者其他編碼方式。
GB2312
GB2312是基於區位碼設計的，區位碼把編碼表分為94個區，每個區對應94個位，每個字元的區號和位號組合起來就是該漢字的區位碼。區位碼一般 用10進位制數來表示，如1601就表示16區1位，對應的字元是“啊”。在區位碼的區號和位號上分別加上0xA0就得到了GB2312編碼。
區位碼中01-09區是符號、數字區，16-87區是漢字區，10-15和88-94是未定義的空白區。它將收錄的漢字分成兩級：第一級是常用漢字計3755個，置於16-55區，按漢語拼音字母/筆形順序排列；第二級漢字是次常用漢字計3008個，置於56-87區，按部首/筆畫順序排列。一級漢字是按照拼音排序的，這個就可以得到某個拼音在一級漢字區位中的範圍，很多根據漢字可以得到拼音的程式就是根據這個原理編寫的。
GB2312字符集中除常用簡體漢字字元外還包括希臘字母、日文平假名及片假名字母、俄語西裡爾字母等字元，未收錄繁體中文漢字和一些生僻字。可以用繁體漢字測試某些系統是不是隻支援GB2312編碼。
GB2312的編碼範圍是0xA1A1-0x7E7E，去掉未定義的區域之後可以理解為實際編碼範圍是0xA1A1-0xF7FE。
EUC-CN可以理解為GB2312的別名，和GB2312完全相同。
區位碼更應該認為是字符集的定義，定義了所收錄的字元和字元位置，而GB2312及EUC-CN是實際計算機環境中支援這種字符集的編碼。HZ和ISO-2022-CN是對應區位碼字符集的另外兩種編碼，都是用7位編碼空間來支援漢字。區位碼和GB2312編碼的關係有點像 Unicode和UTF-8。
GBK
GBK編碼是GB2312編碼的超集，向下完全相容GB2312，同時GBK收錄了Unicode基本多文種平面中的所有CJK漢字。同 GB2312一樣，GBK也支援希臘字母、日文假名字母、俄語字母等字元，但不支援韓語中的表音字元（非漢字字元）。GBK還收錄了GB2312不包含的漢字部首符號、豎排標點符號等字元。
GBK的整體編碼範圍是為0x8140-0xFEFE，不包括低位元組是0×7F的組合。高位元組範圍是0×81-0xFE，低位元組範圍是0x40-7E和0x80-0xFE。
低位元組是0x40-0x7E的GBK字元有一定特殊性，因為這些字元佔用了ASCII碼的位置，這樣會給一些系統帶來麻煩。
有些系統中用0x40-0x7E中的字元（如“|”）做特殊符號，在定位這些符號時又沒有判斷這些符號是不是屬於某個 GBK字元的低位元組，這樣就會造成錯誤判斷。在支援GB2312的環境下就不存在這個問題。需要注意的是支援GBK的環境中小於0x80的某個位元組未必就是ASCII符號；另外就是最好選用小於0×40的ASCII符號做一些特殊符號，這樣就可以快速定位，且不用擔心是某個漢字的另一半。Big5編碼中也存在相應問題。
CP936和GBK的有些許差別，絕大多數情況下可以把CP936當作GBK的別名。
GB18030
GB18030編碼向下相容GBK和GB2312，相容的含義是不僅字元相容，而且相同字元的編碼也相同。GB18030收錄了所有Unicode3.1中的字元，包括中國少數民族字元，GBK不支援的韓文字元等等，也可以說是世界大多民族的文字元號都被收錄在內。
GBK和GB2312都是雙位元組等寬編碼，如果算上和ASCII相容所支援的單位元組，也可以理解為是單位元組和雙位元組混合的變長編碼。GB18030編碼是變長編碼，有單位元組、雙位元組和四位元組三種方式。
GB18030的單位元組編碼範圍是0x00-0x7F，完全等同與ASCII；雙位元組編碼的範圍和GBK相同，高位元組是0x81-0xFE，低位元組的編碼範圍是0x40-0x7E和0x80-FE；四位元組編碼中第一、三位元組的編碼範圍是0x81-0xFE，二、四位元組是0x30-0x39。
Windows中CP936內碼表使用0x80來表示歐元符號，而在GB18030編碼中沒有使用0x80編碼位，用其他位置來表示歐元符號。這可以理解為是GB18030向下相容性上的一點小問題；也可以理解為0x80是CP936對GBK的擴充套件，而GB18030只是和GBK相容良好。
GB18032版本
GB18030目前的最新版本是GB18030-2005。GB18030-2005與GB18030-2000的編碼體系結構是完全相同的。那麼，GB18030的2000版和2005版有什麼區別和聯絡呢？
2000年釋出的GB18030-2000，全名是《資訊科技 漢字編碼字符集 基本集的擴充》。GB18030-2000僅規定了常用非漢字元號和27533個漢字（包括部首、部件等）的編碼。 GB18030-2000是全文強制性標準，市場上銷售的產品必須符合。2005年釋出的GB18030-2005在GB18030-2000的基礎上增加了42711個漢字和多種我國少數民族文字的編碼，增加的這些內容是推薦性的。原GB18030-2000中的內容是強制性的，市場上銷售的產品必須符合。故GB18030-2005為部分強制性標準，自發布之日起代替GB18030-2000。如下表所示，GB18030-2000收錄了27533個漢字：
| 類別 | 碼位範圍 | 碼位數 | 字元數 | 字元型別 |
| 雙位元組部分 | 第一位元組 0xB0-0xF7 第二位元組 0xA1-0xFE |
6768 | 6763 | 漢字 |
| 第一位元組0x81-0xA0 第二位元組0x40-0xFE |
6080 | 6080 | 漢字 | |
| 第一位元組0xAA-0xFE 第二位元組0x40-0xA0 |
8160 | 8160 | 漢字 | |
| 四位元組部分 | 第一位元組0x81-0x82 第二位元組0x30-0x39 第三位元組0x81-0xFE 第四位元組0x30-0x39 |
6530 | 6530 | CJK統一漢字擴充A |
如下表所示，GB18030-2005收錄了70244個漢字：
| 類別 | 碼位範圍 | 碼位數 | 字元數 | 字元型別 |
| 雙位元組部分 | 第一位元組 0xB0-0xF7 第二位元組 0xA1-0xFE |
6768 | 6763 | 漢字 |
| 第一位元組0x81-0xA0 第二位元組0x40-0xFE |
6080 | 6080 | 漢字 | |
| 第一位元組0xAA-0xFE 第二位元組0x40-0xA0 |
8160 | 8160 | 漢字 | |
| 四位元組部分 | 第一位元組0x81-0x82 第二位元組0x30-0x39 第三位元組0x81-0xFE 第四位元組0x30-0x39 |
6530 | 6530 | CJK統一漢字擴充A |
| 第一位元組0x95-0x98 第二位元組0x30-0x39 第三位元組0x81-0xFE 第四位元組0x30-0x39 |
42711 | 42711 | CJK統一漢字擴充B |
GB18030-2005相對於GB18030-2000主要有以下變化：
1、在四位元組字元表中增加CJK統一漢字擴充B和已經在GB13000中編碼的我國少數民族文字字元的字形。其實GB18030-2000已經映射了這些碼位，但GB18030-2000沒有給出這些字元的字形。 2、調整字元?的編碼。 3、去掉了單位元組編碼的歐元符號（0x80）。 （糾正：在GB18030-2000中已經去掉了單位元組編碼的歐元符號，證據見GB18030-2000的標準文字）unicode
每一種語言的不同的編碼頁，增加了那些需要支援不同語言的軟體的複雜度。因而人們制定了一個世界標準，叫做unicode。unicode為每個字元提供了唯一的特定數值，不論在什麼平臺上、不論在什麼軟體中，也不論什麼語言。也就是說，它世界上使用的所有字元都列出來，並給每一個字元一個唯一特定數值。
Unicode的最初目標，是用1個16位的編碼來為超過65000字元提供對映。但這還不夠，它不能覆蓋全部歷史上的文字，也不能解決傳輸的問題 (implantation head-ache's)，尤其在那些基於網路的應用中。已有的軟體必須做大量的工作來程式16位的資料。
因此，Unicode用一些基本的保留字元制定了三套編碼方式。它們分別是UTF-8,UTF-16和UTF-32。正如名字所示，在UTF－8中，字元是以8位序列來編碼的，用一個或幾個位元組來表示一個字元。這種方式的最大好處，是UTF－8保留了ASCII字元的編碼做為它的一部分，例如，在UTF－8和ASCII中，“A”的編碼都是0x41.
UTF－16和UTF－32分別是Unicode的16位和32位編碼方式。考慮到最初的目的，通常說的Unicode就是指UTF-16。在討論Unicode時，搞清楚哪種編碼方式非常重要。
UTF-8
Unicode Transformation Format-8bit，允許含BOM，但通常不含BOM。是用以解決國際上字元的一種多位元組編碼，它對英文使用8位（即一個位元組），中文使用24為（三個位元組）來編碼。UTF-8包含全世界所有國家需要用到的字元，是國際編碼，通用性強。UTF-8編碼的文字可以在各國支援UTF8字符集的瀏覽器上顯示。如，如果是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的中文語言支援包。
BIG5
Big5是雙位元組編碼，高位元組編碼範圍是0x81-0xFE，低位元組編碼範圍是0x40-0x7E和0xA1-0xFE。和GBK相比，少了低位元組是0x80-0xA0的組合。0x8140-0xA0FE是保留區域，用於使用者造字區。
Big5收錄的漢字只包括繁體漢字，不包括簡體漢字，一些生僻的漢字也沒有收錄。GBK收錄的日文假名字元、俄文字元Big5也沒有收錄。因為Big5當中收錄的字元有限，因此有很多在Big5基礎上擴充套件的編碼，如倚天中文系統。Windows系統上使用的內碼表CP950也可以理解為是對Big5的擴充套件，在Big5的基礎上增加了7個漢字和一些符號。Big5編碼對應的字符集是GBK字符集的子集，也就是說Big5收錄的字元是GBK收錄字元的一部分，但相同字元的編碼不同。
因為Big5也佔用了ASCII的編碼空間（低位元組所使用的0x40-0x7E），所以Big5編碼在一些環境下存在和GBK編碼相同的問題，即低位元組範圍為0x40-0x7E的字元有可能會被誤處理，尤其是低位元組是0x5C（"/"）和0x7C（"|"）的字元。可以參考GBK一節相應說明。
儘管有些區別，大多數情況下可以把CP950當作Big5的別名。
GBK的文字編碼是用雙位元組來表示的，即不論中、英文字元均使用雙位元組來表示，為了區分中文，將其最高位都設定成1。GBK包含全部中文字元，是國家編碼，通用性比UTF8差，不過UTF8佔用的資料庫比GBD大。
GBK、GB2312等與UTF8之間都必須通過Unicode編碼才能相互轉換：
GBK、GB2312－－Unicode－－UTF8
UTF8－－Unicode－－GBK、GB2312
對於一個網站、論壇來說，如果英文字元較多，則建議使用UTF－8節省空間。不過現在很多論壇的外掛一般只支援GBK。
unicode是字符集，ASCII、GB2312、GBK、GB18030既是字符集也是編碼方式，UTF-8只是編碼方式。
給我老師的人工智慧教程打call！http://blog.csdn.net/jiangjunshow
