文/fenying
近來學習字元編碼，發現網路上總是把「字符集（character set）」與「字元編碼（encode）」搞混了，我也給弄得暈頭轉向。
其實字元編碼與字符集在本質上就是不同的東西。
字元（character）>
乙個文字就是乙個字元。在計算機中，字元是用數字來表示的，不同的文字用不同的數字表示。
字符集（character set）
既然是「集」，也就是「集合」，「字符集」自然就是「一定量字元的集合」。
乙個字符集包含了固定數量的字元，如ascii字符集包含a-z、a-z、0-9、半形標點符號和特殊控制符號（如換行符）在內的128個字元。
字元編碼（encode）
編碼，意思是指將資料通過一定方式表達或儲存，這個方式就叫編碼。所以字元編碼就是字元的表現、儲存方式，也就是字符集的實現方式。
但需要注意的是：有的字元編碼和字符集的名稱是一致的。
從上可以看出，字符集是字元的集合，字元編碼是把字符集的實現方式。
字符集型別
先看下字元的表達方式。看下表。
字元編碼
每個字元位元組數
ascii
1 ucs-2(unicode)
2ucs-4(unicode)
4utf-8(unicode)
1 - 6
utf-16(unicode)
2 - 4
gbk/gb2312(中文)
1 - 2
gb18030(cjk)
1 - 4
表 1
從上表可以看出，不同的字元編碼用不同的方式表達字符集。
所以，根據所需要的位元組數不同，把恆用2個位元組表示乙個字元的字符集（編碼），叫做雙位元組字符集（double-byte character set，dbcs），其他的叫做多位元組字符集（multi-byte character set，mbcs）。如上表中只有ucs-2才是dbcs字符集。
常見的字符集
unicode：也叫統一字符集，它包含了幾乎世界上所有的已經發現且需要使用的字元（如中文、日文、英文、德文等）。
ascii：早期的計算機系統只能處理英文，所以ascii也就成為了計算機的預設字符集，包含了英文所需要的所有字元。
gb2312：中文字符集，包含ascii字符集。ascii部分用單位元組表示，剩餘部分用雙位元組表示。
gbk：gb2312的擴充套件，但完整包含了gb2312的所有內容。
gb18030：gbk字符集的超集，常叫大漢字字符集，也叫cjk（chinese，japanese，korea）字符集，包含了中、日、韓三國語言中的所有字元。
常見的字元編碼
見表1。
字符集轉換
從一種字符集轉換到另一種字符集，由於某些字符集的並不包含原先字符集中的字元，所以有可能會導致某些字元丟失。
例如gbk轉換成ascii字符集，就會導致除了單位元組字元（ascii部分）外的所有字元丟失。
注意，計算機上以ascii方式（其實，ascii代表了所有的mbcs字符集）儲存檔案雖然可以儲存中文，但實質上是因為gb2312和gbk等字符集是mbcs字符集，所以才歸類到ascii中，其實本質上還是是gbk字符集而不是ascii字符集。
字元編碼轉換
由於字元編碼是基於字符集的，所以字元編碼不同也可能導致部分字元丟失。但如果是相同字符集，例如utf-8(unicode)到utf-16(unicode)編碼，那麼是不會丟失的，因為它們是同一種字符集的不同表現形式。
因此，希望某些**、作者、技術人員別把字符集和字元編碼搞混了。否則字符集、字元編碼本身就比較難懂，再搞混了就更難懂了。
閱讀(3357)|
編碼字符集與字符集編碼的區別
無論歷史上的ucs還是現如今的unicode，兩者指的都是編碼字符集，而不是字符集編碼。乙個抽象字符集其實就是指字元的集合，例如所有的英文本母是乙個抽象字符集，所有的漢字是乙個抽象字符集，在給乙個抽象字元集合中的每個字元都分配乙個 整數編號之後 注意這個整數並沒有要求大小 這個字符集就有了順序，就成...
unicode字元顯示方框 掃盲字元編碼
引言 想必大家之前一定 會被字元編碼困惑。ascii，gb2312，unicode，gb18030等等，或者說大家遇到過檔案亂碼問題。那麼這一系列的編碼到底是什麼？他們之間又會有什麼區別？又為什麼產生亂碼問題？大家應該知道，我們現在的計算機都是二進位制，在通俗的來講，就是01構成！那麼問題來了。我們...
字元，字符集，編碼的區別
ascii碼為單位元組,用7位二進位制數表示，由於計算機1個位元組是8位二進位制數，所以最高位為0，即00000000 01111111或0x00 0x7f。unicode 中文 萬國碼 國際碼 統一碼 單一碼 是電腦科學領域裡的一項業界標準。它對世界上大部分的文字系統進行了整理 編碼，使得電腦可以...