UTF-8：Unicode TransformationFormat-8bit，允许含BOM，但通常不含BOM。是用以希图国际上字符的一种多字节编码，它对英文运用8位（即一个字节），中文运用24为（三个字节）来编码。UTF-8包罗全天下所有国家需要用到的字符，是国际编码，普片性强。UTF-8编码的文字可以在各国赞成UTF8字符集的浏览器上显示。如，如果是UTF8编码，则在本国人的英文IE上也能显示中文，他们无需下载IE的中文语言赞成包。
GBK是国家标准GB2312根柢上扩容后兼容GB2312的尺度。GBK的文字编码是用双字节来展示的，即不管中、英文字符均运用双字节来表示，为了鉴别中文，将其最高位都设定成1。GBK搜罗一切中翰墨符，是国度编码，普片性比UTF8差，不外UTF8占用的数据库比GBK大。
GBK、GB2312等与UTF8之间都必须经由过程Unicode编码技能花样相互转换：
GBK、GB2312－－Unicode－－UTF8
UTF8－－Unicode－－GBK、GB2312
CSS5容易从功能上说：
1、GBK通常指GB2312编码 只支持简体中翰墨
2、utf通常指UTF-8，赞成简体中翰墨、繁体中文字、英文、日文、韩文等语言（赞成翰墨更广）
3、通常外洋运用utf-8与gb2312，看自己需求决意
具体详细先容如下：
对于一个站点、论坛来说，如果英翰墨符较多，则首倡使用UTF－8节省空间。不过当初得多论坛的插件通常只支持GBK。
个编码的区别详细解释
简单来讲，unicode，gbk与大五码便是编码的值，而utf-8,uft-16之类即是这个值的表现模式．而前面那三种编码是一兼容的，同一个汉字，那三个码值是纯粹纷歧样的．如＂汉＂的uncode值与gbk就是不一样的，若是uncode为a040，gbk为b030，而uft-8码，就是把阿谁值表现的形式．utf-8码彻底只针对uncode来组织的，如果ＧＢＫ要转ＵＴＦ－８必需先转uncode码，再转utf-8就ＯＫ了．
详细的就见上面转的这篇文章．
谈谈Unicode编码，简要解释UCS、UTF、BMP、BOM等实词
这是一篇法式员写给措施员的兴趣读物。所谓兴味是指可以比照轻松地大白一些本来不清楚的概念，增进常识，类似于打RPG游戏的升级。整理这篇文章的念头是两个标题：
标题一：
使用Windows记事本的“另存为”，可以在GBK、Unicode、Unicode big endian与UTF-8这几种编码方式间相互转换。同样是txt文件，Windows是怎样辨认编码方式的呢？
我很早前就发现Unicode、Unicode bigendian和UTF-8编码的txt文件的开首会多出几个字节，离别是FF、FE（Unicode）,FE、FF（Unicode bigendian）,EF、BB、BF（UTF-8）。但这些标志是基于甚么尺度呢？
问题二：
近来在网上看到一个ConvertUTF.c，实现了UTF-32、UTF-16与UTF-8这三种编码方式的彼此转换。对于Unicode编码(UCS2)、GBK、UTF-8这些编码方式，我正本就意识。但这个举措让我有些懵懂，想不起来UTF-16和UCS2有甚么关连。
查了查相关资料，总算将这些问题弄明晰了，专门也明了了一些Unicode的细节。写成一篇文章，送给有过类似疑难的友人。本文在写作时尽可能做到下里巴人，但要求读者知道甚么是字节，什么是十六进制。
0、big endian和little endian
big endian与littleendian是CPU处置多字节数的不同方式。比如“汉”字的Unicode编码是6C49。那末写到文件里时，终究是将6C写在前面，还是将49写在前面？如果将6C写在前面，就是big endian。如果将49写在前面，等于little endian。
“endian”这个词出自《格列佛游记》。正人国的内战就源于吃鸡蛋时是究竟从大头(Big-Endian)敲开照旧从小头(Little-Endian)敲开，由此曾发生过六次叛乱，一个皇帝送了命，另一个丢了王位。
咱们一般将endian翻译成“字节序”，将big endian与little endian称作“大尾”与“小尾”。
1、字符编码、内码，专门介绍汉字编码
字符必需编码后技能花样被总计机处置惩罚。共计机运用的缺省编码方式就是算计机的内码。初期的总计机应用7位的ASCII编码，为了处理汉字，递次员设计了用于简体中文的GB2312与用于繁体中文的big5。
GB2312(1980年)一共收录了7445个字符，包括6763个汉字与682个其它符号。汉字区的内码规模高字节从B0-F7，低字节从A1-FE，占用的码位是72*94=6768。其中有5个闲暇是D7FA-D7FE。
GB2312赞成的汉字太少。1995年的汉字缩减规范GBK1.0收录了21886个符号，它分为汉字区与图形符号区。汉字区包括21003个字符。
从ASCII、GB2312到GBK，这些编码办法是向下兼容的，即同一个字符在这些方案中总是有雷同的编码，后背的标准支持更多的字符。在这些编码中，英文和中文可以抗衡地处理。区别中文编码的办法是高字节的最高位不为0。依照法式员的俗称，GB2312、GBK都属于双字节字符集 (DBCS)。
2000年的GB18030是取代GBK1.0的正式国度尺度。该尺度收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等首要的多半民族文字。从汉字字汇上说，GB18030在GB13000.1的20902个汉字的基础上增长了CJK裁减A的6582个汉字（Unicode码0x3400-0x4db5），一共收录了27484个汉字。
CJK即是中日韩的含义。Unicode为了节省码位，将中日韩三国语言中的笔墨抗衡编码。GB13000.1便是ISO/IEC 10646-1的中文版，至关于Unicode 1.1。
GB18030的编码采取单字节、双字节和4字节方案。个中单字节、双字节和GBK是纯粹兼容的。4字节编码的码位即是收录了CJK精简A的6582个汉字。比如：UCS的0x3400在GB18030中的编码应当是8139EF30，UCS的0x3401在GB18030中的编码应当是8139EF31。
微软供应了GB18030的晋级包，但这个升级包只不过提供了一套支持CJK扩展A的6582个汉字的新字体：新宋体-18030，的确不窜改内码。Windows 的内码仍然是GBK。
这里还有一些细节：
GB2312的原文照常区位码，从区位码到内码，需要在高字节和低字节上划分加上A0。
关于任何字符编码，编码单元的顺序是由编码方案指定的，与endian无关。例如GBK的编码单元是字节，用两个字节闪现一个汉字。这两个字节的顺序是静止的，不受CPU字节序的影响。UTF-16的编码单元是word（双字节），word之间的顺序是编码方案指定的，word内部的字节分列才会遭到endian的影响。后背还会引见UTF-16。
GB2312的两个字节的最高位但凡1。但吻合这个前提的码位只有128*128=16384个。以是GBK和GB18030的低字节最高位均可能不是1。不外这不影响DBCS字符流的综合：在读取DBCS字符流时，只要碰到高位为1的字节，就能够将下两个字节作为一个双字节编码，而无庸管低字节的高位是什么。
2、Unicode、UCS与UTF
前面提到从ASCII、GB2312、GBK到GB18030的编码办法是向下兼容的。而Unicode只与ASCII兼容（更切确地说，是与ISO-8859-1兼容），与GB码不兼容。譬喻“汉”字的Unicode编码是6C49，而GB码是BABA。
Unicode也是一种字符编码方法，不外它是由国际组织设计，可以包容全球所有语言笔墨的编码方案。Unicode的大名是"UniversalMultiple-Octet Coded Character Set"，简喻为UCS。UCS可以看作是"Unicode CharacterSet"的缩写。
根据维基百科全书(http://zh.wikipedia.org/wiki/)的记载：历史上具备两个试图独立设计Unicode的机关，即国际标准化组织（ISO）与一个软件出产商的协会（unicode.org）。ISO垦荒了ISO 10646工程，Unicode协会开发了Unicode项目。
在1991年先后，单方都认识到全国不需要两个不兼容的字符集。于是它们末尾分隔单方的任务成就，并为建树一个单一编码表而协同工作。从Unicode2.0最先，Unicode工程采用了与ISO 10646-1雷同的字库与字码。
目前两个工程仍都存在，并独立地颁发各自的规范。Unicode协会而今的最新版本是2005年的Unicode 4.1.0。ISO的最新尺度是ISO 10646-3:2003。
UCS只是规定若何编码，并没有划定若何传输、留存这个编码。比如“汉”字的UCS编码是6C49，我可以用4个ascii数字来传输、生涯这个编码；也能够用utf-8编码:3个间断的字节E6 B189来透露表现它。要害在于通信双方都要承认。UTF-8、UTF-7、UTF-16都是被遍及蒙受的方案。UTF-8的一个额定的优点是它与ISO-8859-1纯粹兼容。UTF是“UCS Transformation Format”的缩写。
IETF的RFC2781和RFC3629以RFC的一贯气势派头，清晰、明快又不失郑重地刻划了UTF-16和UTF-8的编码门径。我老是记不得IETF是网络 Engineering Task Force的缩写。但IETF卖力护卫的RFC是网络上一切规范的根抵。
2.1、内码与code page
目前Windows的内核也曾赞成Unicode字符集，如许在内核上可以赞成举世所有的语言文字。然而由于现有的多量步骤与文档都采纳了某种特定语言的编码，比喻GBK，Windows不可能不支持现有的编码，而全部改用Unicode。
Windows应用代码页(code page)来适应各个国度与区域。code page可以被理解为前面提到的内码。GBK对应的code page是CP936。
微软也为GB18030界说了code page：CP54936。然则由于GB18030有一一小块4字节编码，而Windows的代码页只赞成单字节与双字节编码，所以这个code page是没法真正应用的。
3、UCS-2、UCS-4、BMP
UCS有两种花色：UCS-2和UCS-4。顾名思义，UCS-2就是用两个字节编码，UCS-4就是用4个字节（理论上只用了31位，最高位必需为0）编码。上面让我们做一些容易的数学游戏：
UCS-2有2^16=65536个码位，UCS-4有2^31=2147483648个码位。
UCS-4根据最高位为0的最高字节分成2^7=128个group。每个group再根据次高字节分为256个plane。每个plane根据第3个字节分为256行 (rows)，每行采集256个cells。当然同一行的cells只不过收尾一个字节分歧，其余都相同。
group 0的plane 0被称作Basic Multilingual Plane, 即BMP。大约说UCS-4中，高两个字节为0的码位被称作BMP。
将UCS-4的BMP去掉前面的两个零字节就取得了UCS-2。在UCS-2的两个字节前加上两个零字节，就获取了UCS-4的BMP。而目前的UCS-4规范中还不有任何字符被分拨在BMP之外。
4、UTF编码
UTF-8等于以8位为单位对UCS进行编码。从UCS-2到UTF-8的编码方式如下：
UCS-2编码(16进制) UTF-8 字节流(二进制)
0000 - 007F 0xxxxxxx
0080 - 07FF 110xxxxx 10xxxxxx
0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx
譬喻“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间，所以确定要用3字节模板了：1110xxxx 10xxxxxx10xxxxxx。将6C49写成二进制是：0110 110001 001001， 用这个比特流按序庖代模板中的x，获取：1110011010110001 10001001，即E6 B1 89。
读者可以用记事本测试一下咱们的编码可否正确。需要留神，UltraEdit在翻开utf-8编码的文本文件时会积极转换为UTF-16，可能孕育发生搅浑。你可以在配置中关掉这个选项。更好的工具是Hex Workshop。
UTF-16以16位为单元对UCS发展编码。对付小于0x10000的UCS码，UTF-16编码就等于UCS码对应的16位无符号整数。关于不小于0x10000的UCS码，定义了一个算法。无非由于实际应用的UCS2，也许UCS4的BMP必然小于0x10000，所以就目前而言，可以认为UTF-16和UCS-2基原形似。但UCS-2只不过一个编码方案，UTF-16却要用于理论的传输，以是就不能不思索字节序的标题问题。
5、UTF的字节序与BOM
UTF-8以字节为编码单元，不有字节序的问题。UTF-16以两个字节为编码单位，在解释一个UTF-16文本前，首先要弄清晰每一个编码单位的字节序。譬如“奎”的Unicode编码是594E，“乙”的Unicode编码是4E59。如果咱们收到UTF-16字节流“594E”，那么这是“奎”照常“乙”？
Unicode规范中引荐的符号字节顺序的方式是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte order Mark。BOM是一个有点小伶俐的设法：
在UCS编码中有一个叫做"ZERO WIDTH NO-BREAKSPACE"的字符，它的编码是FEFF。而FFFE在UCS中是不具备的字符，所以不该该涌那时实践传输中。UCS规范首倡咱们在传输字节流前，先传输字符"ZERO WIDTH NO-BREAK SPACE"。
何等如果领受者收到FEFF，就讲明这个字节流是Big-Endian的；如果收到FFFE，就解释这个字节流是Little-Endian的。因而字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。
UTF-8不需要BOM来疏解字节顺序，但可以用BOM来剖明编码方式。字符"ZERO WIDTH NO-BREAKSPACE"的UTF-8编码是EF BB BF（读者可以用我们前面介绍的编码办法验证一下）。所以如果领受者收到以EF BBBF开首的字节流，就晓得这是UTF-8编码了。
Windows即是应用BOM来符号文本文件的编码方式的。
6、进一步的参考原料
本文主要参考的质料是 "Short overview of ISO-IEC 10646 and Unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。
我还找了两篇看下来不错的资料，不外由于我劈头劈脸的疑难都找到了答案，以是就不有看：
"Understanding Unicode A general introduction to the Unicode Standard" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)
"Character set encoding basics Understanding character set encodings and legacy encodings" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03)
我写过UTF-8、UCS-2、GBK互相转换的软件包，包括运用Windows API和不使用Windows API的版本。之后有岁月的话，我会收拾整顿一下放到我的整体主页上
我是想清晰所有题目后才起源写这篇文章的，原以为一会儿就能写好。没想到思量语言与查证细节破钞了很耐久，居然从下昼1:30写到9:00。指望有读者能从中受益。
附录1 再说说区位码、GB2312、内码与代码页
有的朋侪对文章中这句话还有疑难：
“GB2312的原文还是区位码，从区位码到内码，需要在高字节和低字节上别离加上A0。”
我再详细解释一下：
“GB2312的原文”是指国度1980年的一个标准《中华人民共和国国家尺度 动静互换用汉字编码字符集 基本集 GB2312-80》。这个尺度用两个数来编码汉字与中文符号。第一个数称为“区”，第二个数喻为“位”。以是也称为区位码。1-9区是中文符号，16-55区是一级汉字，56-87区是二级汉字。现在Windows也尚有区位输入法，比方输出1601失掉“啊”。（这个区位输入法可以积极辨认16进制的GB2312和10进制的区位码，也等于说输入B0A1同样会获得“啊”。）
内码是指垄断琐细内部的字符编码。初期利用琐细的内码是与语言相关的。那会的Windows在系统内部支持Unicode，从此用代码页适应各类语言，“内码”的观念就比照含胡了。微软通常将缺省代码页指定的编码说成是内码。
内码这个词汇，并无甚么民间的定义，代码页也只不过微软这个公司的叫法。作为按次员，我们只有晓得它们是甚么器材，没有紧要过量地验证这些名词。
所谓代码页(code page)等于针对一种语言文字的字符编码。好比GBK的code page是CP936，BIG5的code page是CP950，GB2312的code page是CP20936。
Windows中出缺省代码页的概念，即缺省用什么编码来解释字符。比喻Windows的记事本掀开了一个文本文件，内中的内容是字节流：BA、BA、D7、D6。Windows应当去怎样解释它呢？
是依据Unicode编码解释、仍是依照GBK解释、照样根据BIG5解释，照样遵循ISO8859-1去解释？如果按GBK去解释，就会得到“汉字”两个字。遵照其它编码解释，可能找不到对应的字符，也可能找到舛讹的字符。所谓“谬误”是指与文本作者的本意不符，这时候就发生发火了乱码。
谜底是Windows根据当前的缺省代码页去解释文本文件里的字节流。缺省代码页可以经由管制面板的区域选项配置。记事本的另存为中有一项ANSI，的确便是遵照缺省代码页的编码方法保留。
Windows的内码是Unicode，它在技能上可以同时支持多个代码页。只需文件能注明本身运用甚么编码，用户又安装了对应的代码页，Windows就能正确显示，好比在HTML文件中就可以指定charset。
有的HTML文件作者，格外是英文作者，认为天下上所有人都使用英文，在文件中不指定charset。如果他应用了0x80-0xff之间的字符，中文Windows又遵照缺省的GBK去解释，就会呈现乱码。这时候只要在这个html文件中加之指定charset的语句，比喻：
<meta http-equiv="Content-Type" content="text/html; charset=ISO8859-1">
如果原作者运用的代码页和ISO8859-1兼容，就不会呈现乱码了。
如需转载，请注明文章出处和来源网址：http://www.divcss5.com/w3c/w52001.shtml
