常用字符集编码详解

　　ascii
　　ascii码是7位编码，编码范围是0x00-0x7f。ascii字符集包括英文字母、阿拉伯数字和标点符号等字符。其中0x00-0x20和0x7f共33个控制字符。
　　只支持ascii码的系统会忽略每个字节的最高位，只认为低7位是有效位。hz字符编码就是早期为了在只支持7位ascii系统中传输中文而设计的编码。早期很多邮件系统也只支持ascii编码，为了传输中文邮件必须使用base64或者其他编码方式。

　　gb2312
　　gb2312是基于区位码设计的，区位码把编码表分为94个区，每个区对应94个位，每个字符的区号和位号组合起来就是该汉字的区位码。区位码一般 用10进制数来表示，如1601就表示16区1位，对应的字符是“啊”。在区位码的区号和位号上分别加上0xa0就得到了gb2312编码。
　　区位码中01-09区是符号、数字区，16-87区是汉字区，10-15和88-94是未定义的空白区。它将收录的汉字分成两级：第一级是常用汉字计3755个，置于16-55区，按汉语拼音字母/笔形顺序排列；第二级汉字是次常用汉字计3008个，置于56-87区，按部首/笔画顺序排列。一级汉字是按照拼音排序的，这个就可以得到某个拼音在一级汉字区位中的范围，很多根据汉字可以得到拼音的程序就是根据这个原理编写的。
　　gb2312字符集中除常用简体汉字字符外还包括希腊字母、日文平假名及片假名字母、俄语西里尔字母等字符，未收录繁体中文汉字和一些生僻字。可以用繁体汉字测试某些系统是不是只支持gb2312编码。
　　gb2312的编码范围是0xa1a1-0x7e7e，去掉未定义的区域之后可以理解为实际编码范围是0xa1a1-0xf7fe。
　　euc-cn可以理解为gb2312的别名，和gb2312完全相同。
　　区位码更应该认为是字符集的定义，定义了所收录的字符和字符位置，而gb2312及euc-cn是实际计算机环境中支持这种字符集的编码。hz和iso-2022-cn是对应区位码字符集的另外两种编码，都是用7位编码空间来支持汉字。区位码和gb2312编码的关系有点像 unicode和utf-8。

　　gbk
　　gbk编码是gb2312编码的超集，向下完全兼容gb2312，同时gbk收录了unicode基本多文种平面中的所有cjk汉字。同 gb2312一样，gbk也支持希腊字母、日文假名字母、俄语字母等字符，但不支持韩语中的表音字符（非汉字字符）。gbk还收录了gb2312不包含的汉字部首符号、竖排标点符号等字符。
　　gbk的整体编码范围是为0x8140-0xfefe，不包括低字节是0×7f的组合。高字节范围是0×81-0xfe，低字节范围是0x40-7e和0x80-0xfe。
　　低字节是0x40-0x7e的gbk字符有一定特殊性，因为这些字符占用了ascii码的位置，这样会给一些系统带来麻烦。
　　有些系统中用0x40-0x7e中的字符（如“|”）做特殊符号，在定位这些符号时又没有判断这些符号是不是属于某个 gbk字符的低字节，这样就会造成错误判断。在支持gb2312的环境下就不存在这个问题。需要注意的是支持gbk的环境中小于0x80的某个字节未必就是ascii符号；另外就是最好选用小于0×40的ascii符号做一些特殊符号，这样就可以快速定位，且不用担心是某个汉字的另一半。big5编码中也存在相应问题。
　　cp936和gbk的有些许差别，绝大多数情况下可以把cp936当作gbk的别名。

　　gb18030
　　gb18030编码向下兼容gbk和gb2312，兼容的含义是不仅字符兼容，而且相同字符的编码也相同。gb18030收录了所有unicode3.1中的字符，包括中国少数民族字符，gbk不支持的韩文字符等等，也可以说是世界大多民族的文字符号都被收录在内。
　　gbk和gb2312都是双字节等宽编码，如果算上和ascii兼容所支持的单字节，也可以理解为是单字节和双字节混合的变长编码。gb18030编码是变长编码，有单字节、双字节和四字节三种方式。
　　gb18030的单字节编码范围是0x00-0x7f，完全等同与ascii；双字节编码的范围和gbk相同，高字节是0x81-0xfe，低字节的编码范围是0x40-0x7e和0x80-fe；四字节编码中第一、三字节的编码范围是0x81-0xfe，二、四字节是0x30-0x39。
　　windows中cp936代码页使用0x80来表示欧元符号，而在gb18030编码中没有使用0x80编码位，用其他位置来表示欧元符号。这可以理解为是gb18030向下兼容性上的一点小问题；也可以理解为0x80是cp936对gbk的扩展，而gb18030只是和gbk兼容良好。

　　unicode
　　每一种语言的不同的编码页，增加了那些需要支持不同语言的软件的复杂度。因而人们制定了一个世界标准，叫做unicode。unicode为每个字符提供了唯一的特定数值，不论在什么平台上、不论在什么软件中，也不论什么语言。也就是说，它世界上使用的所有字符都列出来，并给每一个字符一个唯一特定数值。
　　unicode的最初目标，是用1个16位的编码来为超过65000字符提供映射。但这还不够，它不能覆盖全部历史上的文字，也不能解决传输的问题 (implantation head-ache's)，尤其在那些基于网络的应用中。已有的软件必须做大量的工作来程序16位的数据。
　　因此，unicode用一些基本的保留字符制定了三套编码方式。它们分别是utf-8,utf-16和utf-32。正如名字所示，在utf－8中，字符是以8位序列来编码的，用一个或几个字节来表示一个字符。这种方式的最大好处，是utf－8保留了ascii字符的编码做为它的一部分，例如，在utf－8和ascii中，“a”的编码都是0x41.
　　utf－16和utf－32分别是unicode的16位和32位编码方式。考虑到最初的目的，通常说的unicode就是指utf-16。在讨论unicode时，搞清楚哪种编码方式非常重要。

　　utf-8
　　unicode transformation format-8bit，允许含bom，但通常不含bom。是用以解决国际上字符的一种多字节编码，它对英文使用8位（即一个字节），中文使用24为（三个字节）来编码。utf-8包含全世界所有国家需要用到的字符，是国际编码，通用性强。utf-8编码的文字可以在各国支持utf8字符集的浏览器上显示。如，如果是utf8编码，则在外国人的英文ie上也能显示中文，他们无需下载ie的中文语言支持包。
　　gbk的文字编码是用双字节来表示的，即不论中、英文字符均使用双字节来表示，为了区分中文，将其最高位都设定成1。gbk包含全部中文字符，是国家编码，通用性比utf8差，不过utf8占用的数据库比gbk大。
　　gbk、gb2312等与utf8之间都必须通过unicode编码才能相互转换：
　　gbk、gb2312－－unicode－－utf8
　　utf8－－unicode－－gbk、gb2312
　　对于一个网站、论坛来说，如果英文字符较多，则建议使用utf－8节省空间。不过现在很多论坛的插件一般只支持gbk。