一文详解字符集编码

作者: BinaryStarXin 

软件开发人员经常遇到“中文乱码”、“软件不能显示日文”等类似问题。真相只有一个——对字符集编码没有一个系统的认知。

常见字符集编码有GB2312、GBK、BIG5、UTF-8、UTF-16，甚至有些从事MFC开发的人可能还会说字符集有ANSI和UNICODE。真的是这样吗？直接上干货。

字符集分类

1. ANSI

American National Standards Institute 美国国家标准学会，由这个标准学会制订的一种编码规则。

采用多字节系统 (MBCS) 的变长编码，每个字符可以是单个字节、双字节，也可以是多字节的；

兼容单字节字符集 (SBCS) 和双字节字符集 (DBCS)；

兼容 EUC/EUC-CN 双字节编码。由于兼容了这个编码，那么 ANSI 的双字节编码也是大端存储 (Big Endian) 的了；

不同的国家和地区可以使用不同的编码规则，这些编码对应到这些国家和地区的代码页 (Code Page) 上。

1.1. ASCII编码

ASCII编码即美国信息交换标准代码（American Standard Code for Information Interchange）是一套共有128个字符的编码，它基于阿拉丁字母，主要作用是用来表示英语和西欧语言字符。ASCII规范编码第一次公布于1967年，ascii码在1986年完成最后一次更新。ASCII码对照表等同于国际标准 ISO/IEC 646，ASCII码对照表是世界最通用的信息交换标准。

ASCII编码

1.2. GB2312编码

GB2312简体中文编码，一个汉字占用2个字节，在大陆是主要的编码方式，兼容ASCII编码。

为了支持繁体字，于是推出了GBK编码，GBK是国标扩展（Guo Biao Kuozhan）编码的缩写，兼容GB2312。

为了支持少数名民族的文字，于是推出了GB1803，解决了中文、日文、朝鲜语等的编码，兼容GBK。

 

2. UNICODE编码

Unicode又称为统一码、万国码、单一码，是国际组织制定的旨在容纳全球所有字符的编码方案，包括字符集、编码方案等，它为每种语言中的每个字符设定了统一且唯一的二进制编码，以满足跨语言、跨平台的要求。

Unicode字符集被划分为 17 个平面(即，17个区，编号为 0-16 )，且具有以下特点：

每个平面有216 = 65536个代码点，因此，整个Unicode字符集共有17 × 65536 = 111 4112 个码点。

整个Unicode字符集的码点空间为U+000000 ~ U+10FFFF

每个平面的码点范围可表示为U+xx0000 ~ U+xxFFFF，其中xx表示16进制的0x00到0x10，比如，平面0的码点范围为U+000000 ~ U+00FFFF，平面2的码点范围为U+020000 ~ U+02FFFF，平面15的码点范围为U+0F0000 ~ U+0FFFFF

再次注意：并不是每个码点就一定对应有一个字符，因为，目前Unicode字符集中有很多码点都还未被使用。

Unicode 17 层平面

2.1. UTF-16编码

UTF-16编码源于UCS-2，是Unicode最早的编码方式。

UCS-2编码仅覆盖了基本平面(即BMP，第0平面)中的码点，使用固定的两字节将字符编号(类似于Unicode中的码点值)直接映射为字符编码，中间未经过任何的编码算法转换。

很明显，16位的二进制位(范围为0x0000 ~ 0xFFFF)无法表示Unicdoe引入的增补平面中的码点(平面1 ~ 16，码点范围为0x10000~0x10FFFF)，为此，Unicode在UTF-16编码中使用“代理(代替)机制”来解决这个问题，代理机制使用4个字节来表示增补平面中的码点，从而使UTF-16成为一种变长编码方式。

因此，若软件仅支持UCS-2编码，则意味着仅支持UCS字符集或Unicode字符集基本平面中的字符，而不支持增补平面中的字符。

UTF-16编码后的码元序列在映射为物理意义上的字节序列时，又分为UTF-16BE (大端序)，UTF-16LE (小端序)两种情况，大端序和小端序又分为带有字节序标记(with BOM)和不带字节序标记(without BOM)两种情形。比如，“ABC”这三个字符的UTF-16编码(码元序列)为：00 41 00 42 00 43；其对应的各种字节序列如下表所示：

”abc”的各种UTF-16编码

2.2. UTF-32编码

UTF-32是一种将Unicode字符编码的协定，对每一个Unicode码位使用恰好32位元。其它的Unicode transformation formats则使用不定长度编码。因为UTF-32对每个字符都使用4字节，就空间而言，是非常没有效率的。特别地，非基本多文种平面的字符在大部分文件中通常很罕见，以致于它们通常被认为不存在占用空间大小的讨论，使得UTF-32通常会是其它编码的二到四倍。虽然每一个码位使用固定长定的字节看似方便，它并不如其它Unicode编码使用得广泛。

与UTF-16一样，也存在大端和小端存储。

2.3. UTF-8编码

UTF-8编码是Unicode编码的一种编码形式。由1-6个字节表示一个字符，兼容ASCII编码。

UTF-8编码

3. MFC中的字符集

MFC字符集选择多字节编码时，对应的编码是GBK编码

MFC字符集选择Unicode编码时，对应的编码是UTF-16编码。

4. QT中的字符集

QString是按UTF-16存储的。

1、当选择UTF-8编码时，QString构造函数的参数对应UTF-8编码（默认设置）。

   QTextCodec *codec = QTextCodec::codecForName("UTF-8");    QTextCodec::setCodecForLocale(codec);    QString str = “右边是UFT-8编码的字符串”;

2、当选择GBK编码时，QString构造函数的参数对应GBK编码。

   QTextCodec *codec = QTextCodec::codecForName("UTF-8");    QTextCodec::setCodecForLocale(codec);    QString str = “右边是GBK编码的字符串”;

3、QString也可以指定编码赋值。

   QString str1 = QString::fromLocal8Bit(“GBK编码字符串”);    QString str2 = QString::fromUtf8(“UTF-8编码字符串”);

　　审核编辑：汤梓红