中英文编码
中英文編碼有很多種，但是一直搞不清在一個包含中文和英文的文檔中，操作系統怎么區分下一個是取兩個字符按中文表示還是取1個字符按英文處理。比如一個txt文檔里面包含“hello你好”這段文本，我們知道hello很顯然是按ASCII編碼占5個字符，“你好”一般按Unicode編碼，是占4個字符。也就是兩個字符表示一個漢字，但是操作系統怎么區分o后面是要去兩個字符映射漢字呢還是直接取一個字符映射一個字母？我想英文編碼和中文編碼肯定有區分的地方，今天看到一遍文章簡單介紹了這個區別。
1、字符編碼、內碼，順帶介紹漢字編碼字符必須編碼后才能被計算機處理。
計算機使用的缺省編碼方式就是計算機的內碼。
早期的計算機使用7位的ASCII編碼，為了處理漢字，程序員設計了用于簡體中文的GB2312和用于繁體中文的big5。
GB2312(1980年)一共收錄了7445個字符，包括6763個漢字和682個其它符號。
漢字區的內碼范圍高字節從B0-F7，低字節從A1-FE，占用的碼位是72*94=6768。
其中有5個空位是D7FA-D7FE。
GB2312支持的漢字太少。
1995年的漢字擴展規范GBK1.0收錄了21886個符號，它分為漢字區和圖形符號區。漢字區包括21003個字符。
2000年的GB18030是取代GBK1.0的正式國家標準。
該標準收錄了27484個漢字，同時還收錄了藏文、蒙文、維吾爾文等主要的少數民族文字。
現在的PC平臺必須支持GB18030，對嵌入式產品暫不作要求。所以手機、MP3一般只支持GB2312。
從ASCII、GB2312、GBK到GB18030，這些編碼方法是向下兼容的，即同一個字符在這些方案中總是有相同的編碼，后面的標準支持更多的字符。
在這些編碼中，英文和中文可以統一地處理。區分中文編碼的方法是高字節的最高位不為0。按照程序員的稱呼，GB2312、GBK到GB18030都屬于雙字節字符集 (DBCS)。
有的中文Windows的缺省內碼還是GBK，可以通過GB18030升級包升級到GB18030。
不過GB18030相對GBK增加的字符，普通人是很難用到的，通常我們還是用GBK指代中文Windows內碼。
這里還有一些細節： GB2312的原文還是區位碼，從區位碼到內碼，需要在高字節和低字節上分別加上A0。 在DBCS中，GB內碼的存儲格式始終是big endian，即高位在前。
GB2312的兩個字節的最高位都是1。
但符合這個條件的碼位只有128*128=16384個。所以GBK和GB18030的低字節最高位都可能不是1。
不過這不影響DBCS字符流的解析：在讀取DBCS字符流時，只要遇到高位為1的字節，就可以將下兩個字節作為一個雙字節編碼，而不用管低字節的高位是什么。
2、Unicode、UCS和UTF 前面提到從ASCII、GB2312、GBK到GB18030的編碼方法是向下兼容的。
而Unicode只與ASCII兼容（更準確地說，是與ISO-8859-1兼容），與GB碼不兼容。
例如“漢”字的Unicode編碼是6C49，而GB碼是BABA。
?Unicode也是一種字符編碼方法，不過它是由國際組織設計，可以容納全世界所有語言文字的編碼方案。
Unicode的學名是"Universal Multiple-Octet Coded Character Set"，簡稱為UCS。UCS可以看作是"Unicode Character Set"的縮寫。
根據維基百科全書(http://zh.wikipedia.org/wiki/)的記載：歷史上存在兩個試圖獨立設計Unicode的組織，即國際標準化組織（ISO）和一個軟件制造商的協會（unicode.org）。
ISO開發了ISO 10646項目，Unicode協會開發了Unicode項目。 在1991年前后，雙方都認識到世界不需要兩個不兼容的字符集。
于是它們開始合并雙方的工作成果，并為創立一個單一編碼表而協同工作。從Unicode2.0開始，Unicode項目采用了與ISO 10646-1相同的字庫和字碼。
目前兩個項目仍都存在，并獨立地公布各自的標準。
Unicode協會現在的最新版本是2005年的Unicode 4.1.0。ISO的最新標準是10646-3:2003。
?UCS規定了怎么用多個字節表示各種文字。
怎樣傳輸這些編碼，是由UTF(UCS Transformation Format)規范規定的，常見的UTF規范包括UTF-8、UTF-7、UTF-16。
IETF的RFC2781和RFC3629以RFC的一貫風格，清晰、明快又不失嚴謹地描述了UTF-16和UTF-8的編碼方法。
我總是記不得IETF是Internet Engineering Task Force的縮寫。但IETF負責維護的RFC是Internet上一切規范的基礎。
3、UCS-2、UCS-4、BMP UCS有兩種格式：UCS-2和UCS-4。顧名思義，UCS-2就是用兩個字節編碼，UCS-4就是用4個字節（實際上只用了31位，最高位必須為0）編碼。
下面讓我們做一些簡單的數學游戲：
UCS-2有2^16=65536個碼位，UCS-4有2^31=2147483648個碼位。
UCS-4根據最高位為0的最高字節分成2^7=128個group。
每個group再根據次高字節分為256個plane。
每個plane根據第3個字節分為256行 (rows)，每行包含256個cells。當然同一行的cells只是最后一個字節不同，其余都相同。
group 0的plane 0被稱作Basic Multilingual Plane, 即BMP。
或者說UCS-4中，高兩個字節為0的碼位被稱作BMP。
將UCS-4的BMP去掉前面的兩個零字節就得到了UCS-2。
在UCS-2的兩個字節前加上兩個零字節，就得到了UCS-4的BMP。而目前的UCS-4規范中還沒有任何字符被分配在BMP之外。
4、UTF編碼 UTF-8就是以8位為單元對UCS進行編碼。
從UCS-2到UTF-8的編碼方式如下：
UCS-2編碼(16進制) UTF-8 字節流(二進制) 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，所以肯定要用3字節模板了：1110xxxx 10xxxxxx 10xxxxxx。
將6C49寫成二進制是：0110 110001 001001，
用這個比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。
?讀者可以用記事本測試一下我們的編碼是否正確。
?UTF-16以16位為單元對UCS進行編碼。
對于小于0x10000的UCS碼，UTF-16編碼就等于UCS碼對應的16位無符號整數。
對于不小于0x10000的UCS碼，定義了一個算法。
不過由于實際使用的UCS2，或者UCS4的BMP必然小于0x10000，所以就目前而言，可以認為UTF-16和UCS-2基本相同。
但UCS-2只是一個編碼方案，UTF-16卻要用于實際的傳輸，所以就不得不考慮字節序的問題。
?5、UTF的字節序和BOM UTF-8以字節為編碼單元，沒有字節序的問題。
UTF-16以兩個字節為編碼單元，在解釋一個UTF-16文本前，首先要弄清楚每個編碼單元的字節序。
例如收到一個“奎”的Unicode編碼是594E，“乙”的Unicode編碼是4E59。
如果我們收到UTF-16字節流“594E”，那么這是“奎”還是“乙”？ Unicode規范中推薦的標記字節順序的方法是BOM。
BOM不是“Bill Of Material”的BOM表，而是Byte Order Mark。
BOM是一個有點小聰明的想法： 在UCS編碼中有一個叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的編碼是FEFF。
而FFFE在UCS中是不存在的字符，所以不應該出現在實際傳輸中。
UCS規范建議我們在傳輸字節流前，先傳輸字符"ZERO WIDTH NO-BREAK SPACE"。
這樣如果接收者收到FEFF，就表明這個字節流是Big-Endian的；如果收到FFFE，就表明這個字節流是Little-Endian的。
因此字符"ZERO WIDTH NO-BREAK SPACE"又被稱作BOM。
UTF-8不需要BOM來表明字節順序，但可以用BOM來表明編碼方式。
字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8編碼是EF BB BF（讀者可以用我們前面介紹的編碼方法驗證一下）。
所以如果接收者收到以EF BB BF開頭的字節流，就知道這是UTF-8編碼了。 Windows就是使用BOM來標記文本文件的編碼方式的。
總結
- 上一篇： window 10及window7电脑前
- 下一篇： 计算机主机前声音口怎么设置吗,电脑耳机没