關(guān)于編碼問題，做了以下總結(jié)；大家共同探討一下。
一 預(yù)備知識
1，字符：字符是抽象的最小文本單位。它沒有固定的形狀（可能是一個字形），而且沒有值。“A”是一個字符，“€”（德國、法國和許多其他歐洲國家通用貨幣的標(biāo)志）也是一個字符。“中”“國”這是兩個漢字字符。字符僅僅代表一個符號，沒有任何實際值的意義。
2，字符集：字符集是字符的集合。例如，漢字字符是中國人最先發(fā)明的字符，在中文、日文、韓文和越南文的書寫中使用。這也說明了字符和字符集之間的關(guān)系，字符組成字符集（iso8859-1，GB2312/GBK，unicode）。
3，代碼點：字符集中的每個字符都被分配到一個“代碼點”。每個代碼點都有一個特定的唯一數(shù)值，稱為標(biāo)值。該標(biāo)量值通常用十六進(jìn)制表示。
4，代碼單元： 在每種編碼形式中，代碼點被映射到一個或多個代碼單元。“代碼單元”是各個編碼方式中的單個單元。代碼單元的大小等效于特定編碼方式的位數(shù)：
UTF-8 ：UTF-8 中的代碼單元由 8 位組成；在 UTF-8 中，因為代碼單元較小的緣故，每個代碼點常常被映射到多個代碼單元。代碼點將被映射到一個、兩個、三個或四個代碼單元；
UTF-16 ：UTF-16 中的代碼單元由 16 位組成；UTF-16 的代碼單元大小是 8 位代碼單元的兩倍。所以，標(biāo)量值小于 U+10000 的代碼點被編碼到單個代碼單元中；
UTF-32：UTF-32 中的代碼單元由 32 位組成； UTF-32 中使用的 32 位代碼單元足夠大，每個代碼點都可編碼為單個代碼單元；
GB18030：GB18030 中的代碼單元由 8 位組成；在 GB18030 中，因為代碼單元較小的緣故，每個代碼點常常被映射到多個代碼單元。代碼點將被映射到一個、兩個或四個代碼單元。
5，舉例：
“中國北京香蕉是個大笨蛋”這是我定義的aka字符集；各字符對應(yīng)代碼點為：
北 00000001
京 00000010
香 10000001
蕉 10000010
是 10000100
個 10001000
大 10010000
笨 10100000
蛋 11000000
中 00000100
國 00001000
下面是我定義的 zixia 編碼方案（8位），可以看到它的編碼中表示了aka字符集的所有字符對應(yīng)的 代碼單元；
北 10000001
京 10000010
香 00000001
蕉 00000010
是 00000100
個 00001000
大 00010000
笨 00100000
蛋 01000000
中 10000100
國 10001000
所謂文本文件 就是我們按一定編碼方式將二進(jìn)制數(shù)據(jù)表示為對應(yīng)的文本如00000001000000100000010000001000000100000010000001000000這樣的文件。我用一個支持zixia編碼和aka字符集的記事本打開，它就按照編碼方案顯示為 "香蕉是個大笨蛋 "
如果我把這些字符按照GBK另存一個文件，那么則肯定不是這個，而是
1100111111100011 1011110110110110 1100101011000111 1011100011110110 1011010011110011 1011000110111111 1011010110110000 110100001010
二，字符集
1， 常用字符集分類
ASCII及其擴展字符集
作用：表語英語及西歐語言。
位數(shù)：ASCII是用7位表示的，能表示128個字符；其擴展使用8位表示，表示256個字符。
范圍：ASCII從00到7F，擴展從00到FF。
ISO-8859-1字符集
作用：擴展ASCII，表示西歐、希臘語等。
位數(shù)：8位，
范圍：從00到FF，兼容ASCII字符集。
GB2312字符集
作用：國家簡體中文字符集，兼容ASCII。
位數(shù)：使用2個字節(jié)表示，能表示7445個符號，包括6763個漢字，幾乎覆蓋所有高頻率漢字。
范圍：高字節(jié)從A1到F7, 低字節(jié)從A1到FE。將高字節(jié)和低字節(jié)分別加上0XA0即可得到編碼。
BIG5字符集
作用：統(tǒng)一繁體字編碼。
位數(shù)：使用2個字節(jié)表示，表示13053個漢字。
范圍：高字節(jié)從A1到F9，低字節(jié)從40到7E，A1到FE。
GBK字符集
作用：它是GB2312的擴展，加入對繁體字的支持，兼容GB2312。
位數(shù)：使用2個字節(jié)表示，可表示21886個字符。
范圍：高字節(jié)從81到FE，低字節(jié)從40到FE。
GB18030字符集
作用：它解決了中文、日文、朝鮮語等的編碼，兼容GBK。
位數(shù)：它采用變字節(jié)表示(1 ASCII，2，4字節(jié))。可表示27484個文字。
范圍：1字節(jié)從00到7F; 2字節(jié)高字節(jié)從81到FE，低字節(jié)從40到7E和80到FE；4字節(jié)第一三字節(jié)從81到FE，第二四字節(jié)從30到39。
UCS字符集
作用：國際標(biāo)準(zhǔn) ISO 10646 定義了通用字符集 (Universal Character Set)。它是與UNICODE同類的組織，UCS-2和UNICODE兼容。
位數(shù)：它有UCS-2和UCS-4兩種格式，分別是2字節(jié)和4字節(jié)。
范圍：目前，UCS-4只是在UCS-2前面加了0x0000。
UNICODE字符集
作用：為世界650種語言進(jìn)行統(tǒng)一編碼，兼容ISO-8859-1。
位數(shù)：UNICODE字符集有多個編碼方式，分別是UTF-8，UTF-16和UTF-32。
2 ，按所表示的文字分類
語言 字符集 正式名稱
英語、西歐語 ASCII，ISO-8859-1 MBCS 多字節(jié)
簡體中文 GB2312 MBCS 多字節(jié)
繁體中文 BIG5 MBCS 多字節(jié)
簡繁中文 GBK MBCS 多字節(jié)
中文、日文及朝鮮語 GB18030 MBCS 多字節(jié)
各國語言 UNICODE，UCS DBCS 寬字節(jié)
三，編碼
UTF-8：采用變長字節(jié) (1 ASCII, 2 希臘字母, 3 漢字, 4 平面符號) 表示，網(wǎng)絡(luò)傳輸, 即使錯了一個字節(jié)，不影響其他字節(jié)，而雙字節(jié)只要一個錯了，其他也錯了，具體如下：
如果只有一個字節(jié)則其最高二進(jìn)制位為0；如果是多字節(jié)，其第一個字節(jié)從最高位開始，連續(xù)的二進(jìn)制位值為1的個數(shù)決定了其編碼的字節(jié)數(shù)，其余各字節(jié)均以10開頭。UTF-8最多可用到6個字節(jié)。
UTF-16：采用2字節(jié)，Unicode中不同部分的字符都同樣基于現(xiàn)有的標(biāo)準(zhǔn)。這是為了便于轉(zhuǎn)換。從 0x0000到0x007F是ASCII字符，從0x0080到0x00FF是ISO-8859-1對ASCII的擴展。希臘字母表使用從0x0370到0x03FF 的代碼，斯拉夫語使用從0x0400到0x04FF的代碼，美國使用從0x0530到0x058F的代碼，希伯來語使用從0x0590到0x05FF的代 碼。中國、日本和韓國的象形文字（總稱為CJK）占用了從0x3000到0x9FFF的代碼；由于0x00在c語言及操作系統(tǒng)文件名等中有特殊意義，故很多情況下需要UTF-8編碼保存文本，去掉這個0x00。舉例如下：
UTF-16: 0x0080 = 0000 0000 1000 0000
UTF-8: 0xC280 = 1100 0010 1000 0000
UTF-32：采用4字節(jié)。
優(yōu)缺點
UTF-8、UTF-16和UTF-32都可以表示有效編碼空間 (U+000000-U+10FFFF) 內(nèi)的所有Unicode字符。
使用UTF-8編碼時ASCII字符只占1個字節(jié)，存儲效率比較高，適用于拉丁字符較多的場合以節(jié)省空間。
對于大多數(shù)非拉丁字符（如中文和日文）來說，UTF-16所需存儲空間最小，每個字符只占2個字節(jié)。
Windows NT內(nèi)核是Unicode（UTF-16），采用UTF-16編碼在調(diào)用系統(tǒng)API時無需轉(zhuǎn)換，處理速度也比較快。
采用UTF-16和UTF-32會有Big Endian和Little Endian之分，而UTF-8則沒有字節(jié)順序問題，所以UTF-8適合傳輸和通信。
UTF-32采用4字節(jié)編碼，一方面處理速度比較快，但另一方面也浪費了大量空間，影響傳輸速度，因而很少使用。
四，如何判斷字符集
1，字節(jié)序
首先說一下字節(jié)序?qū)幋a的影響，字節(jié)序分為Big Endian字節(jié)序和Little Endian字節(jié)序。不同的處理器可能不一樣。所以，傳輸時需要告訴處理器當(dāng)時的編碼字節(jié)序。對于前者而言，高位字節(jié)存在低地址，低字節(jié)存于高地址；后者相反。例如，0X03AB,
Big Endian字節(jié)序
0000: 0 3
0001: AB
Little Endian字節(jié)序是
0000: AB
0001: 0 3
2，編碼識別
UNICODE，根據(jù)前幾個字節(jié)可以判斷UNICODE字符集的各種編碼，叫做Byte Order Mask方法BOM：
UTF-8: EFBBBF (符合UTF-8格式，請看上面。但沒有含義在UCS即UNICODE中)
UTF-16 Big Endian：FEFF (沒有含義在UCS-2中)
UTF-16 Little Endian：FFFE (沒有含義在UCS-2中)
UTF-32 Big Endian：0000FEFF (沒有含義在UCS-4中)
UTF-32 Little Endian：FFFE0000 (沒有含義在UCS-4中)
GB2312：高字節(jié)和低字節(jié)的第1位都是1。
BIG5，GBK&GB18030：高字節(jié)的第1位為1。操作系統(tǒng)有默認(rèn)的編碼，常為GBK，可以下載別的并升級。通過判斷高字節(jié)的第1位從而知道是ASCII或者漢字編碼。