首先，我們要明確最基本的一點就是計算機的最小儲存單位是位元組（1byte=8bit）

字符集

1.什麼是字元
字元是各種文字和符號的總稱，包括各個國家文字標點符號，圖形符號，數字等。
2.字符集

首先，我們可以說一句廢話，字符集是字元的集合。
將一些特定的漢字，符號，字母收入到一個標準中，這些遵循同個標準的字元集合就稱為字符集。
常見字符集有Unicode字符集，ASCII字符集，ISO 8859字符集、GB2312字符集。

編碼

規定每個“字元”分別用一個位元組還是多個位元組儲存，用哪些位元組來儲存，這個規定就叫做“編碼”

ASCII編碼

ASCII字符集只有128個字元，ASCII字符集第一次以規範標準的型態發表是在1967年，最後一次更新則是在1986年，至今為止共定義了128個字元

；其中33個字元無法顯示（這是以現今作業系統為依歸，但在DOS模式下可顯示出一些諸如笑臉、撲克牌花式等8-bit符號），且這33個字元多數都已是陳廢的控制字元。控制字元的用途主要是用來操控已經處理過的文字。在33個字元之外的是95個可顯示的字元，包含用鍵盤敲下空白鍵所產生的空白字元也算1個可顯示字元（顯示為空白）。

在ASCII編碼中，單位元組字串使用一個位元組存放一個字元（SBCS,Single Byte Character System）。如：”Bob123”佔6個位元組。

注意：ASCII編碼是單位元組編碼，只能表示128個字元，也就是說有一位是沒有用到的。沒有用到的那一位是最高位。

ANSI編碼

因為最開始的ASCII編碼只支援英語，所以為了支援更多的語言，出現了ANSI編碼，通常用兩個位元組來表示一個字元。 關於ANSI編碼，不同的地區制定了不同的標準。為了讓計算機能夠表示中文字符集，出現了GB2312編碼。

對於臺灣繁體中文字符集，對應的編碼是BIG5。

注意:不同 ANSI 編碼之間互不相容，當資訊在國際間交流時，無法將屬於兩種語言的文字，儲存在同一段 ANSI 編碼的文字中。

GB2312

ANSI編碼是相容ASCII編碼的，以表示中文字符集的GB2312編碼為例。GB2312編碼規定，一個小於127的位元組的意義與原來相同（與ASCII碼），但兩個大於127的位元組連在一起時，就表示一個漢字

，也就是說當一個位元組的最高位為0的時候，就代表這單個位元組代表一個ASCII字符集中的字元。而想要表示一個漢字，必須要兩個位元組，且這兩個位元組的最高位都必須為1，只要位元組的最高位為0,那麼這個單位元組就表示一個ASCII字符集中的字元。這樣的設計相容了ASCII編碼，但是也導致了兩個位元組能表示的字元少了很多。

GBK

但是中國的漢字太多了，我們很快就就發現有許多人的人名沒有辦法在這裡打出來，不得不繼續把 GB2312 沒有用到的碼位找出來用上。後來還是不夠用，於是乾脆不再要求低位元組一定是127號之後的內碼，只要第一個位元組是大於127就固定表示這是一個漢字的開始，不管後面跟的是不是擴充套件字符集裡的內容。結果擴充套件之後的編碼方案被稱為 “GBK” 標準，GBK 包括了 GB2312 的所有內容，同時又增加了近20000個新的漢字（包括繁體字）和符號。

GB18030

後來少數民族也要用電腦了，於是我們再擴充套件，又加了幾千個新的少數民族的字，GBK 擴成了 GB18030。從此之後，中華民族的文化就可以在計算機時代中傳承了。

GB 18030，全稱：國家標準 GB 18030-2005《資訊科技中文編碼字符集》，是中華人民共和國現時最新的內碼字集，是 GB 18030-2000《資訊科技資訊交換用漢字編碼字符集基本集的擴充》的修訂版。

GB 18030相容GBK。

GB 18030 編碼是一二四位元組變長編碼。

• 單位元組，其值從 0 到 0x7F，與 ASCII 編碼相容。
• 雙位元組，第一個位元組的值從 0x81 到 0xFE，第二個位元組的值從 0x40 到 0xFE（不包括0x7F），與 GBK 標準相容。
• 四位元組，第一個位元組的值從 0x81 到 0xFE，第二個位元組的值從 0x30 到 0x39，第三個位元組從0x81 到 0xFE，第四個位元組從 0x30 到 0x39。

UNICODE字符集

廣義而言的UNICODE是一種標準，定義了一個字符集以及一系列的編碼規則，即UNICODE字符集以及UTF-8、UTF-16、UTF-32等編碼。

UNicode字符集為每一個字元分配一個碼位，它為每種語言中的每個字元設定了統一併且唯一的二進位制編碼，以滿足跨語言、跨平臺進行文字轉換、處理的要求。

之前已經說過：不同 ANSI 編碼之間互不相容，當資訊在國際間交流時，無法將屬於兩種語言的文字，儲存在同一段 ANSI 編碼的文字中。UNICODE的出現就是為了解決這個問題。

關於UNICODE字符集的說法，個人還是有點疑問的。我感覺嚴格來說是這樣的：

首先，UNICODE給每一個字元都指定了一個唯一的二進位制編碼，也就是每一個字元都有他對應的碼位。

而UTF-8等編碼，指定了位元組與碼位的對應關係，而並非直接指定了位元組與字符集中的字元的對應的關係。

所以我對到底有沒有UNICODE字符集是有疑問的，UNICODE標準中，字符集就是包含全部語言的字元，不過這一點並不影響我們對字元編碼的理解。

UTF-8

一個字元的Unicode編碼是確定的，但是在實際傳輸過程中，由於不同系統平臺的設計不一定一致，以及出於節省空間的目的，對Unicode編碼的實現方式有所不同。Unicode的實現方式稱為Unicode轉換格式（Unicode Transformation Format，簡稱為UTF）[1]。Unicode是字符集，它主要有UTF-8、UTF-16、UTF-32三種實現方式。UTF-8是目前主流的UNICODE字符集編碼方式。

UTF-8是一種針對Unicode的可變長度字元編碼,可以使用1~4個位元組表示一個符號，根據不同的符號而變化位元組長度。它可以用來表示Unicode標準中的任何字元。

UTF-8的編碼規則很簡單，只有二條：

1. 對於單位元組的符號，位元組的第一位設為0，後面7位為這個符號的Unicode碼。因此對於英語字母，UTF-8編碼和ASCII碼是相同的。
2. 對於n位元組的符號（n>1），第一個位元組的前n位都設為1，第n+1位設為0，後面位元組的前兩位一律設為10。剩下的沒有提及的二進位制位，全部為這個符號的Unicode碼。

下表總結了編碼規則，字母x表示可用編碼的位。

Unicode符號範圍	UTF-8編碼方式
0000 0000-0000 007F	0xxxxxxx
0000 0080-0000 07FF	110xxxxx 10xxxxxx
0000 0800-0000 FFFF	1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

說明：解讀UTF-8編碼非常簡單。如果一個位元組的第一位是0，則這個位元組單獨就是一個字元；如果第一位是1，則連續有多少個1，就表示當前字元佔用多少個位元組。