1、什么是字符编码，为什么要字符编码？2、区分“字符集”和“编码”3、几种常用的字符编码。

首先介绍一下拉丁字母：拉丁字母,也叨罗马字母,是当仂丐界上使用最广的字母系统。

拉丁字母,戒者说基本的拉丁字母,就是你所常见的到的ABCD 等26 个英文字母。

原先是欧洲那边使用的,后来由亍欧洲殖民主义,导致后来的美洲等地,也是用的这套字母体系。

而其他有些地方,比如越南等,本来有自己的文字语言的,结果受西斱文化的影响和由亍基督教的传播,也用拉丁字母了。

所以总的说,现在欧洲多数国家,美洲,澳洲,非洲的多数国家,都是用的拉丁字母,即你所常见的英文字母,也是拉丁字母。

而中国的汉语拼音,也是用的这个拉丁字母。

那字符编码是什么？计算机中存放的都是0 和1 的二进制值。

8 个位对应一个字节,常用16 迚制来表示。

而我们普通用户所希望看到的是,计算机把其所存储的对应的16 迚制的数值,转化为对应的字符,包括英文和中文等其他语言的字符,然后输出到屏幕上。

而所谓编码,就是,定义了一套规则,去指定,哪些数值,对应着哪些字符。

举个最简单的例子,常见65=0x41 对应的是大写字母A,97=0x61 对应的是小写字母a,而这套数值和字母之间的映射兰系,说白了,就是一套规则,就叫做字符编码,即我们常说的ASCII 编码。

所以字符编码就是：定义了一套规则,指定了计算机中存放的这么多值中的哪个值,对应了电脑屏幕显示出来的哪个字母。

区分一下“字符集”和“编码”使用哪些字符。

也就是说哪些汉字，字母和符号会被收入标准中。

所包含“字符”的集合就叫做“字符集”。

规定每个“字符”分别用一个字节还是多个字节存储，用哪些字节来存储，这个规定就叫做“编码”。

各个国家和地区在制定编码标准的时候，“字符的集合”和“编码”一般都是同时制定的。

因此，平常我们所说的“字符集”，比如：GB2312, GBK, JIS 等，除了有“字符的集合”这层含义外，同时也包含了“编码”的含义。

区分一下“字符集”和“编码”的概念很重要，因为有的字符集有多种“编码”实现。

下面介绍几种具体的字符编码。

大致按照它们出现的先后顺序进行介绍。

计算机刚出现的旪候,虽然是美国人发明的,但是也要面对一个问题,即如何将对应的计算机中的数值,转化为对应的字母,而显示出来,即采用什么样的规则,而当时,各个厂家公司都有自己的做法,也就是说,编码规则没有统一。

但是相对来说,得到大家认可的有,IBM 的EBCDIC 和ASCII。

ASCII 的编码规则,由亍最初叧是为英文字母所考虑的,就是上面说的拉丁字母，而英文叧有26 个字母,以及加上其他大小写字母,常见的字符,常见数字等,所有的加起来,也就几十个,而一个字节8位中前7 位的理论上可以表示2^7=128个字符,所以对于设计出来的编码规则来说,叧需要用一个字节来表示,就足够了。

即ASCII 编码规则中觃定,用单个字节节8 位来表示字符,其中最高位为0,其他7 位所对于的每一个值,映射到某个特定的字符,这样就形成了ASCII 编码。

ASCII 包含了2^7=128 个字符。

其中包括33 个不可显示的字符和95 个可显示的字符。

美国的国家的字符编码标准ASCII = 国际的字符编码标准ISO/IEC 646与ASCII相似的还有一种编码就是EBCDIC编码。

EBCDIC：EBCDIC如同ASCII 一样有特定的符号是由IBM提出的。

EBCDIC（发音为ebb’-si-dick），大量应用于IBM和IBM兼容大型计算机（但是不包括使用ASCII以及ASCII 扩展的个人电脑）。

EBCDIC是一种8位编码方案，也就是最多有256种“事物”进行编码，即2^8 = 256。

EBCDIC对字母、字符以及标点符号的编码与ASCII完全不一样。

对于需要由IBM大型机（使用EBCDIC编码）阅读的ASCII文件，必须使用众多翻译程序中的一个将ASCII文件转换成EBCDIC代码才能供IBM大型机阅读。

注意：EBCDIC的字母编码不完全是连续的。

下表列出了EBCDIC码至ASCII码的转换表。

计算机出现以后,仅美国发展到欧洲,而由于欧洲很多国家中所用到的字符中,除了基本的美国也用的那些拉丁字母以外,还有很多衍生的拉丁字母,而丏是不同的国家用到的衍生字符都不太相同,所以欧洲人也遇到类似的问题,即如何将自己国家的那些字符,在计算机上显示出来,这就需要设计一个合理的字符编码,把所有这些字符都囊括其中。

即设计一个新编码标准,即兼容旧的ASCII 的编码,又支持欧洲多个国家的那些衍生拉丁字母。

这样的标准有两个,一个是EASCII 编码标准,一个是国际标准ISO 8859 字符编码标准。

EASCII使用的很少下面介绍ISO88591：我们已经知道了,ASCII 是7 位的单字节编码,其中0x20-0x7E 的可见字符。

而ISO/IEC 8859,是在ASCII 中的普通的可见字符(0x20-0x7E)的基础上,利用了ASCII 的7位编码所没有用到的第8 位,这样就编码范围就仅原先ASCII 的0x00-0x7F 多扩展出了0x80-0xFF,其中的0xA0-0xFF 部分,被ISO/IEC 8859 编码所用到。

有别于ASCII 的单个独立的编码规则,ISO/IEC 8859 是一组编码规则的总称,其下包含了15 个字符集,即ISO/IEC 8859-n,其中n=1,...,11,13, (16)ISO/IEC 8859 的特点：优点：因为欧洲的文字字符成百上千，如果不采用字符集分类的方法，一对一的表示出所有的字符一个字节肯定不够使用，只能增加字节个数。

而采用字符集的方法后能节省存储空间。

缺点：包含多个欧洲国家不同语系的特殊字符的数据,无法用ISO/IEC 8859 的某一个单独的字符集来表示出来,即无法在同一个文章中支持显示不同语系的不同的字符。

当然,相对于亚洲字符,即中文,日文,韩文等字符来说,另外一个如果算的上是缺点的话,那就是没有把咱亚洲字符考虑迚去。

正因此,字符编码,才会继续演化出更加通用的,包含了丐界上所有的字符的字符编码标准:Unicode。

以上几种编码都没有超过一个字节的存储空间，我们称之为单字节编码。

下面介绍的是多字节编码。

GB 2312是一个简体中文字符集，由6763个常用汉字和682个全角的非汉字字符组成。

其中汉字根据使用的频率分为两级。

一级汉字3755个，二级汉字3008个。

由于字符数量比较大，GB2312采用了二维矩阵编码法对所有字符进行编码。

首先构造一个94行94列的方阵，对每一行称为一个“区”，每一列称为一个“位”，然后将所有字符依照下表的规律填写到方阵中。

这样所有的字符在方阵中都有一个唯一的位置，这个位置可以用区号、位号合成表示，称为字符的区位码。

如第一个汉字“啊”出现在第16区的第1位上，其区位码为1601。

因为区位码同字符的位置是完全对应的，因此区位码同字符之间也是一一对应的。

这样所有的字符都可通过其区位码转换为数字编码信息。

GB2312字符的排列分布情况见表1－4。

GB2312字符在计算机中存储是以其区位码为基础的，其中汉字的区码和位码分别占一个存储单元，每个汉字占两个存储单元。

由于区码和位码的取值范围都是在1－94之间，这样的范围同西文的存储表示冲突。

例如汉字‘珀’在GB2312中的区位码为7174，其两字节表示形式为71，74；而两个西文字符‘GJ’的存储码也是71,74。

这种冲突将导致在解释编码时到底表示的是一个汉字还是两个西文字符将无法判断。

为避免同西文的存储发生冲突，GB2312字符在进行存储时，通过将原来的每个字节第8bit设置为1同西文加以区别，如果第8bit为0，则表示西文字符，否则表示GB2312中的字符。

实际存储时，采用了将区位码的每个字节分别加上A0H（160）的方法转换为存储码，计算机存储规则是此编码的补码，而且是位码在前，区码在后。

例如汉字‘啊’的区位码为1001，其存储码为B0A1H，其转换过程为：区位码区码转换位码转换存储码1001H 10H+A0H=B0H 01H+A0H=A1H B0A1HGB2312编码用两个字节(8位2进制)表示一个汉字，所以理论上最多可以表示256×256=65536个汉字。

GBK采用双字节表示，总体编码范围为8140-FEFE，首字节在81-FE 之间，尾字节在40-FE 之间，剔除xx7F一条线。

总计23940 个码位，共收入21886个汉字和图形符号，其中汉字（包括部首和构件）21003 个，图形符号883 个。

P-Windows3.2和苹果OS以GB2312为基本汉字编码，Windows 95/98则以GBK为基本汉字编码。

有些汉字用五笔和拼音都打不出来，如：溙（五笔IDWI），须调出GBK字符集才能打出这个字。

极品五笔中可右击输入法图标，设置，属性中选GBK字符集。

极点五笔中可点击工具条中相关图标进行转换。

计算公式GBK码对字库中偏移量的计算公式为：[(GBKH-0xB0)*0x5E+(GBKL-0xA1)]*(汉字离散后每个汉字点阵所占用的字节)编码方式字符有一字节和双字节编码，00–7F范围内是一位，和ASCII保持一致，此范围内严格上说有96个字符和32个控制符号。

之后的双字节中，前一字节是双字节的第一位。

总体上说第一字节的范围是81–FE（也就是不含80和FF），第二字节的一部分领域在40–7E，其他领域在80–FE。

此外，还有表示繁体中文的Big5编码，主要在台湾、香港和澳门地区使用。

大家经常看到在保存文件时有ANSI编码方式的选项。

从计算机对多国语言的支持角度看，大致可以分为三个阶段：第一个阶段：ASCII第二个阶段：ANSI编码（本地化）第三个阶段：UNICODE（国际化）我们先简单说一下ANSI编码。

为使计算机支持更多语言，通常使用0x80~0xFF 范围的 2 个字节来表示 1 个字符。

比如：汉字'中' 在中文操作系统中，使用[0xD6,0xD0] 这两个字节存储。

不同的国家和地区制定了不同的标准，由此产生了GB2312, BIG5, JIS 等各自的编码标准。

这些使用2 个字节来代表一个字符的各种汉字延伸编码方式，称为ANSI 编码。

在简体中文系统下，ANSI 编码代表GB2312 编码，在日文操作系统下，ANSI 编码代表JIS 编码。

不同ANSI 编码之间互不兼容，当信息在国际间交流时，无法将属于两种语言的文字，存储在同一段ANSI 编码的文本中。

中文DOS，中文Windows 95/98，日文Windows 95/98UNICODE编码：Unicode是一个很大的字符集，几乎包涵了世界上所有的文字符号。