編碼格式簡介（ANSI、GBK、GB2312、UTF-8、UTF-16、GB18030和 UNICODE）

很久很久以前，有一群人，他們決定用8個可以開合的半導體來組合成不同的狀态，以表示世界上的萬物，他們把這稱為”位元組”。再後來，他們又做了一些可以處理這些位元組的機器，機器開動了，可以用位元組來組合出很多狀态，狀态開始變來變去，他們就把這機器稱為”計算機”。

開始計算機隻在美國用。八位的位元組一共可以組合出256(2的8次方)種不同的狀态。他們把其中的編号從0開始的32種狀态分别規定了特殊的用途，一但終端、列印機遇上約定好的這些位元組被傳過來時，就要做一些約定的動作。遇上 00×10, 終端就換行，遇上0×07, 終端就向人們嘟嘟叫，例好遇上0x1b, 列印機就列印反白的字，或者終端就用彩色顯示字母。他們看到這樣很好，于是就把這些0×20以下的位元組狀态稱為”控制碼”。

他們又把所有的空格、标點符号、數字、大小寫字母分别用連續的位元組狀态表示，一直編到了第127号，這樣計算機就可以用不同位元組來存儲英語的文字 了。大家看到這樣，都感覺很好，于是大家都把這個方案叫做 ANSI 的”Ascii”編碼（American Standard Code for Information Interchange，美國資訊互換标準代碼）。當時世界上所有的計算機都用同樣的ASCII方案來儲存英文文字。

後來計算機發展越來越廣泛，世界各國為了可以在計算機儲存他們的文字，他們決定采用127号之後的空位來表示這些新的字母、符号，還加入了很多畫表格時需要用下到的橫線、豎線、交叉等形狀，一直把序号編到了 最後一個狀态255。從128到255這一頁的字元集被稱”擴充字元集”。但是原有的編号方法，已經再也放不下更多的編碼。

等中國人們得到計算機時，已經沒有可以利用的位元組狀态來表示漢字，況且有6000多個常用漢字需要儲存呢。于是國人就自主研發，把那些127号之後的奇異符号們直接取消掉。規定：一個小于127的字元的意義與原來相同，但兩個大于127的字元連在一起時，就表示一個漢字，前面的一個位元組（他稱之為高位元組）從0xA1用到 0xF7，後面一個位元組（低位元組）從0xA1到0xFE，這樣我們就可以組合出大約7000多個簡體漢字了。在這些編碼裡，我們還把數學符号、羅馬希臘的字母、日文的假名們都編進去了，連在 ASCII 裡本來就有的數字、标點、字母都統統重新編了兩個位元組長的編碼，這就是常說的”全角”字元，而原來在127号以下的那些就叫”半角”字元了。

中國人民看到這樣很不錯，于是就把這種漢字方案叫做 “GB2312″。GB2312 是對 ASCII 的中文擴充。

但是中國的漢字太多了，後來還是不夠用，于是幹脆不再要求低位元組一定是127号之後的内碼，隻要第一個位元組是大于127就固定表示這是一個漢字的開始，不管後面跟的是不是 擴充字元集裡的内容。結果擴充之後的編碼方案被稱為 GBK 标準，GBK 包括了 GB2312 的所有内容，同時又增加了近20000個新的漢字（包括繁體字）和符号。後來少數民族也要用電腦了，于是我們再擴充，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。

因為當時各個國家都像中國這樣搞出一套自己的編碼标準，結果互相之間誰也不懂誰的編碼，誰也不支援别人的編碼。當時的中國人想讓電腦顯示漢字，就必須裝上一個”漢字系統”，專門用來處理漢字的顯示、輸入的問題，裝錯了字元系統，顯示就會亂了套。這怎麼辦？就在這時，一個叫 ISO （國際标誰化組織）的國際組織決定着手解決這個問題。他們采用的方法很簡單：廢了所有的地區性編碼方案，重新搞一個包括了地球上所有文化、所有字母和符号的編碼！他們打算叫它”Universal Multiple-Octet Coded Character Set”，簡稱 UCS, 俗稱 “UNICODE”。

UNICODE 開始制訂時，計算機的存儲器容量極大地發展了，空間再也不成為問題了。于是 ISO 就直接規定必須用兩個位元組，也就是16位來統一表示所有的字元，對于 ascii 裡的那些”半角”字元，UNICODE 包持其原編碼不變，隻是将其長度由原來的8位擴充為16位，而其他文化和語言的字元則全部重新統一編碼。由于”半角”英文符号隻需要用到低8位，是以其高 8位永遠是0，是以這種大氣的方案在儲存英文文本時會多浪費一倍的空間。

但是，UNICODE 在制訂時沒有考慮與任何一種現有的編碼方案保持相容，這使得 GBK 與UNICODE 在漢字的内碼編排上完全是不一樣的，沒有一種簡單的算術方法可以把文本内容從UNICODE編碼和另一種編碼進行轉換，這種轉換必須通過查表來進行。UNICODE 是用兩個位元組來表示為一個字元，他總共可以組合出65535不同的字元，這大概已經可以覆寫世界上所有文化的符号。

UNICODE 來到時，一起到來的還有計算機網絡的興起，UNICODE 如何在網絡上傳輸也是一個必須考慮的問題，于是面向傳輸的衆多 UTF（UCS Transfer Format）标準出現了，顧名思義，UTF8 就是每次8個位傳輸資料，而 UTF16 就是每次16個位，隻不過為了傳輸時的可靠性，從UNICODE到 UTF時并不是直接的對應，而是要過一些算法和規則來轉換。

UTF-8 使用一到四個位元組來編碼一個碼點。從 0 到 127 的這些碼點直接映射成 1 個位元組（對于隻包含這個範圍字元的文本來說，這一點使得 UTF-8 和 ASCII 完全相同）。接下來的 1,920 個碼點映射成 2 個位元組，所有剩下的碼點需要 3 個位元組。Unicode 的其他平面裡的碼點則需要 4 個位元組。

看完這些，相信你對于這幾個編碼關系等，了解的比較清楚了吧。我再來簡單的總結一下：

● 中國人民通過對 ASCII 編碼的中文擴充改造，産生了 GB2312 編碼，可以表示6000多個常用漢字。

● 漢字實在是太多了，包括繁體和各種字元，于是産生了 GBK 編碼，它包括了 GB2312 中的編碼，同時擴充了很多。

● 中國是個多民族國家，各個民族幾乎都有自己獨立的語言系統，為了表示那些字元，繼續把 GBK 編碼擴充為 GB18030 編碼。

● 每個國家都像中國一樣，把自己的語言編碼，于是出現了各種各樣的編碼，如果你不安裝相應的編碼，就無法解釋相應編碼想表達的内容。

● 終于，有個叫 ISO 的組織看不下去了。他們一起創造了一種編碼 UNICODE ，這種編碼非常大，大到可以容納世界上任何一個文字和标志。是以隻要電腦上有 UNICODE 這種編碼系統，無論是全球哪種文字，隻需要儲存檔案的時候，儲存成 UNICODE 編碼就可以被其他電腦正常解釋。

● UNICODE 在網絡傳輸中，出現了兩個标準 UTF-8 和 UTF-16，分别每次傳輸 8個位和 16個位。

于是就會有人産生疑問，UTF-8 既然能儲存那麼多文字、符号，為什麼國内還有這麼多使用 GBK 等編碼的人？因為 UTF-8 等編碼體積比較大，占電腦空間比較多，如果面向的使用人群絕大部分都是中國人，用 GBK 等編碼也可以。但是目前的電腦來看，硬碟都是白菜價，電腦性能也已經足夠無視這點性能的消耗了。是以推薦所有的網頁使用統一編碼：UTF-8。

關于記事本無法單獨儲存“聯通”的問題

當你建立一個 文本文檔 之後，在裡面輸入 “聯通” 兩個字，然後儲存。當你再次打開的時候，原來輸入的 “聯通” 會變成兩個亂碼。

這個問題就是因為 GB2312 編碼與 UTF8 編碼産生了編碼沖撞造成的。從網上引來一段從UNICODE到UTF8的轉換規則：

UTF-8

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，是以要用3位元組模闆：1110xxxx 10xxxxxx 10xxxxxx。将6C49寫成二進制是：0110 1100 0100 1001，将這個比特流按三位元組模闆的分段方法分為0110 110001 001001，依次代替模闆中的x，得到：1110-0110 10-110001 10-001001，即E6 B1 89，這就是其UTF8的編碼。

而當你建立一個文本檔案時，記事本的編碼預設是ANSI, 如果你在ANSI的編碼輸入漢字，那麼他實際就是GB系列的編碼方式，在這種編碼下，”聯通”的内碼是：

c1 1100 0001

aa 1010 1010

cd 1100 1101

a8 1010 1000