UTF-8和GBK UTF8 GB2312之间有什么区别
本篇文章给大家带来的内容是关于UTF-8和GBK UTF8 GB2312之间有什么不同，有必然的参照 价值，有需要的伴侣可以参照 一下，但愿对你有所帮忙。
UTF-8：Unicode TransformationFormat-8bit，同意含BOM，但平常不含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包括全世界所有我国需要用到的字符，是国际编码，通用性强。UTF-8编码的文字可以在多国支撑UTF8字符集的阅读器上显示。如，假如是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的中文说话支撑包。
GBK是我国标准GB2312根基上扩容后兼容GB2312的标准。GBK的文字编码是用双字节来表示的，即不管中、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包括全部中文字符，是我国编码，通用性比UTF8差，不外UTF8占用的数据库比GBK大。
GBK、GB2312等与UTF8之间都必需通过Unicode编码才能彼此转换：
GBK、GB2312－－Unicode－－UTF8
UTF8－－Unicode－－GBK、GB2312
pCSS5简便从功效上说：
1、GBK平常指GB2312编码 只支撑简体中文字
2、utf平常指UTF-8，支撑简体中文字、繁体中文字、英文、日文、韩文等说话（支撑文字更广）
3、平常国内使用utf-8和gb2312，看本人需求选中
详细具体介绍如下：
关于一个网站、论坛来说，假如英文字符较多，则倡议使用UTF－8节约空间。不外此刻许多论坛的插件一样只支撑GBK。
个编码的不同具体说明
简便来说，unicode，gbk和大五码就是编码的值，而utf-8,uft-16之类就是这个值的展现情势．而前面那三种编码是一兼容的，统一个汉字，那三个码值是完全不一样的．如＂汉＂的uncode值与gbk就是不一样的，假设uncode为a040，gbk为b030，而uft-8码，就是把阿谁值展现的情势．utf-8码完全只针对uncode来组织的，假如ＧＢＫ要转ＵＴＦ－８必需先转uncode码，再转utf-8就ＯＫ了．
具体的就见下面转的这篇文章．
谈谈Unicode编码，简要说明UCS、UTF、BMP、BOM等名词
这是一篇程序员写给程序员的兴趣读物。所谓兴趣是指可以比力轻松地理解一些本来不分明的概念，促进知识，相似于打RPG游戏的升级。整理这篇文章的动机是两个问题：
问题一：
使用Windows记事本的“另存为”，可以在GBK、Unicode、Unicode big endian和UTF-8这几种编码方式间彼此转换。一样是txt文件，Windows是怎样识别编码方式的呢？
我很早前就发明Unicode、Unicode bigendian和UTF-8编码的txt文件的开头会多出几个字节，离别是FF、FE（Unicode）,FE、FF（Unicode bigendian）,EF、BB、BF（UTF-8）。但这些标志是基于什么标准呢？
问题二：
比来在网上看到一个ConvertUTF.c，实现了UTF-32、UTF-16和UTF-8这三种编码方式的彼此转换。关于Unicode编码(UCS2)、GBK、UTF-8这些编码方式，我本来就理解。但这个程序让我有些糊涂，想不起来UTF-16和UCS2有什么关系。
查了查相关材料，总算将这些问题弄分明了，顺带也理解了一些Unicode的细节。写成一篇文章，送给有过相似疑问的伴侣。本文在写作时尽量做到通俗易懂，但要求读者知道什么是字节，什么是十六进制。
0、big endian和little endian
big endian和littleendian是CPU处置多字节数的不一样方式。例如“汉”字的Unicode编码是6C49。那么写到文件里时，毕竟是将6C写在前面，还是将49写在前面？假如将6C写在前面，就是big endian。假如将49写在前面，就是little endian。
“endian”这个词出自《格列佛游记》。小人国的内战就源于吃鸡蛋时是毕竟从大头(Big-Endian)敲开还是从小头(Little-Endian)敲开，由此曾发生过六次兵变，一个皇帝送了命，另一个丢了王位。
我们一样将endian翻译成“字节序”，将big endian和little endian称作“大尾”和“小尾”。
1、字符编码、内码，顺带介绍汉字编码
字符必需编码后才能被运算机处置。运算机使用的缺省编码方式就是运算机的内码。早期的运算机使用7位的ASCII编码，为了处置汉字，程序员设计了用于简体中文的GB2312和用于繁体中文的big5。
GB2312(1980年)一共收录了7445个字符，包罗6763个汉字和682个其它符号。汉字区的内码范畴高字节从B0-F7，低字节从A1-FE，占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。
GB2312支撑的汉字太少。1995年的汉字扩展标准GBK1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包罗21003个字符。
从ASCII、GB2312到GBK，这些编码办法是向下兼容的，即统一个字符在这些方案中总是有雷同的编码，后面的标准支撑更多的字符。在这些编码中，英文和中文可以统一地处置。区分中文编码的办法是高字节的最高位不为0。依照程序员的称谓，GB2312、GBK都属于双字节字符集 (DBCS)。
2000年的GB18030是代替GBK1.0的正式我国标准。该标准收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。从汉字字汇上说，GB18030在GB13000.1的20902个汉字的根基上增添了CJK扩展A的6582个汉字（Unicode码0x3400-0x4db5），一共收录了27484个汉字。
CJK就是中日韩的意思。Unicode为了节约码位，将中日韩三国说话中的文字统一编码。GB13000.1就是ISO/IEC 10646-1的中文版，相当于Unicode 1.1。
GB18030的编码采纳单字节、双字节和4字节方案。其中单字节、双字节和GBK是完全兼容的。4字节编码的码位就是收录了CJK扩展A的6582个汉字。例如：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。
微软供给了GB18030的升级包，但这个升级包只是供给了一套支撑CJK扩展A的6582个汉字的新字体：新宋体-18030，并不改动内码。Windows 的内码依然是GBK。
这里还有一些细节：
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离别加上A0。
关于任何字符编码，编码单元的次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，用两个字节表示一个汉字。这两个字节的次序是牢固的，不受CPU字节序的影响。UTF-16的编码单元是word（双字节），word之间的次序是编码方案指定的，word内部的字节摆列才会受到endian的影响。后面还会介绍UTF-16。
GB2312的两个字节的最高位都是1。但相符这个前提的码位只要128*128=16384个。所以GBK和GB18030的低字节最高位都大概不是1。不外这不影响DBCS字符流的解析：在读取DBCS字符流时，只要碰到高位为1的字节，就可以将下两个字节作为一个双字节编码，而不消管低字节的高位是啥。
2、Unicode、UCS和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（更准确地说，是与ISO-8859-1兼容），与GB码不兼容。例如“汉”字的Unicode编码是6C49，而GB码是BABA。
Unicode也是一种字符编码办法，不外它是由国际组织设计，可以容纳全世界所有说话文字的编码方案。Unicode的学名是"UniversalMultiple-Octet Coded Character Set"，简称为UCS。UCS可以看作是"Unicode CharacterSet"的缩写。
按照维基百科全书(http://zh.wikipedia.org/wiki/)的记载：历史上存在两个试图独立设计Unicode的组织，即国际标准化组织（ISO）和一个软件制造商的协会（unicode.org）。ISO开发了ISO 10646项目，Unicode协会开发了Unicode项目。
在1991年前后，双方都认识到世界不需要两个不兼容的字符集。于是它们开端合并双方的工作成果，并为建立一个简单编码表而协同工作。从Unicode2.0开端，Unicode项目采纳了与ISO 10646-1雷同的字库和字码。
当前两个项目仍都存在，并独立地宣布各自的标准。Unicode协会此刻的最新版本是2005年的Unicode 4.1.0。ISO的最新标准是ISO 10646-3:2003。
UCS只是规定怎样编码，并没有规定怎样传输、留存这个编码。例如“汉”字的UCS编码是6C49，我可以用4个ascii数字来传输、留存这个编码；也可以用utf-8编码:3个持续的字节E6 B189来表示它。关键在于通讯双方都要认可。UTF-8、UTF-7、UTF-16都是被广泛接受的方案。UTF-8的一个特殊的好处是它与ISO-8859-1完全兼容。UTF是“UCS Transformation Format”的缩写。
IETF的RFC2781和RFC3629以RFC的一向风格，清楚、明快又不失严谨地描写了UTF-16和UTF-8的编码办法。我总是记不得IETF是Internet Engineering Task Force的缩写。但IETF负责保护的RFC是Internet上一切标准的根基。
2.1、内码和code page
当前Windows的内核已经支撑Unicode字符集，这样在内核上可以支撑全世界所有的说话文字。但是由于现有的大量程序和文档都采纳了某种特定说话的编码，例如GBK，Windows不成能不支撑现有的编码，而全部改用Unicode。
Windows使用代码页(code page)来顺应各个我国和地区。code page可以被懂得为前面提到的内码。GBK对应的code page是CP936。
微软也为GB18030定义了code page：CP54936。但是由于GB18030有一部分4字节编码，而Windows的代码页只支撑单字节和双字节编码，所以这个code page是没法真正使用的。
3、UCS-2、UCS-4、BMP
UCS有两种格局：UCS-2和UCS-4。望文生义，UCS-2就是用两个字节编码，UCS-4就是用4个字节（实际上只用了31位，最高位必需为0）编码。下面让我们做一些简便的数学游戏：
UCS-2有2^16=65536个码位，UCS-4有2^31=2147483648个码位。
UCS-4按照最高位为0的最高字节分成2^7=128个group。每个group再按照次高字节分为256个plane。每个plane按照第3个字节分为256行 (rows)，每行包括256个cells。当然统一行的cells只是最后一个字节不一样，其余都雷同。
group 0的plane 0被称作Basic Multilingual Plane, 即BMP。或者说UCS-4中，高两个字节为0的码位被称作BMP。
将UCS-4的BMP去除前面的两个零字节就得到了UCS-2。在UCS-2的两个字节前加上两个零字节，就得到了UCS-4的BMP。而当前的UCS-4标准中还没有任何字符被分配在BMP之外。
4、UTF编码
UTF-8就是以8位为单元对UCS停止编码。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
例如“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间，所以必定要用3字节模板了：1110xxxx 10xxxxxx10xxxxxx。将6C49写成二进制是：0110 110001 001001， 用这个比特流顺次代替模板中的x，得到：1110011010110001 10001001，即E6 B1 89。
读者可以用记事本测试一下我们的编码可否准确。需要留意，UltraEdit在翻开utf-8编码的文本文件时会主动转换为UTF-16，大概发生混淆。你可以在设定中关掉这个选项。更好的工具是Hex Workshop。
UTF-16以16位为单元对UCS停止编码。关于小于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。不外由于实际使用的UCS2，或者UCS4的BMP必定小于0x10000，所以就当前而言，可以认为UTF-16和UCS-2根本雷同。但UCS-2只是一个编码方案，UTF-16却要用于实际的传输，所以就不得不思考字节序的问题。
5、UTF的字节序和BOM
UTF-8以字节为编码单元，没有字节序的问题。UTF-16以两个字节为编码单元，在说明一个UTF-16文本前，第一要弄分明每个编码单元的字节序。例如“奎”的Unicode编码是594E，“乙”的Unicode编码是4E59。假如我们收到UTF-16字节流“594E”，那么这是“奎”还是“乙”？
Unicode标准中引荐的标志字节次序的办法是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte order Mark。BOM是一个有点小聪慧的设法：
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中是不存在的字符，所以不该该显现在实际传输中。UCS标准倡议我们在传输字节流前，先传输字符"ZERO WIDTH NO-BREAK SPACE"。
这样假如接收者收到FEFF，就表白这个字节流是Big-Endian的；假如收到FFFE，就表白这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。
UTF-8不需要BOM来表白字节次序，但可以用BOM来表白编码方式。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）。所以假如接收者收到以EF BBBF开头的字节流，就知道这是UTF-8编码了。
Windows就是使用BOM来标志文本文件的编码方式的。
6、进一步的参照 材料
本文主要参照 的材料是 "Short overview of ISO-IEC 10646 and Unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。
我还寻了两篇看上去不错的材料，不外由于我开端的疑问都寻到了答案，所以就没有看：
"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彼此转换的软件包，包罗使用Windows API和不使用Windows API的版本。今后有时间的话，我会整理一下放到我的个人主页上
我是想分明所有问题后才开端写这篇文章的，原认为一会儿就能写好。没想到思考措辞和查证细节花费了很长时间，居然从下午1:30写到9:00。但愿有读者能从中受益。
附录1 再说说区位码、GB2312、内码和代码页
有的伴侣对文章中这句话还有疑问：
“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离别加上A0。”
我再具体说明一下：
“GB2312的原文”是指我国1980年的一个标准《中华人民共和国我国标准 信息交流用汉字编码字符集 根本集 GB2312-80》。这个标准用两个数来编码汉字和中文符号。第一个数称为“区”，第二个数称为“位”。所以也称为区位码。1-9区是中文符号，16-55区是1级汉字，56-87区是二级汉字。此刻Windows也还有区位输入法，例如输入1601得到“啊”。（这个区位输入法可以主动识别16进制的GB2312和10进制的区位码，也就是说输入B0A1一样会得到“啊”。）
内码是指操纵系统内部的字符编码。早期操纵系统的内码是与说话相关的。此刻的Windows在系统内部支撑Unicode，然后用代码页顺应各种说话，“内码”的概念就比力含糊了。微软一样将缺省代码页指定的编码说成是内码。
内码这个词汇，并没有什么官方的定义，代码页也只是微软这个公司的叫法。作为程序员，我们只要知道它们是啥东西，没有必要过多地考证这些名词。
所谓代码页(code page)就是针对一种说话文字的字符编码。例如GBK的code page是CP936，BIG5的code page是CP950，GB2312的code page是CP20936。
Windows中有缺省代码页的概念，即缺省用什么编码来说明字符。例如Windows的记事本翻开了一个文本文件，里面的内容是字节流：BA、BA、D7、D6。Windows应当去如何说明它呢？
是依照Unicode编码说明、还是依照GBK说明、还是依照BIG5说明，还是依照ISO8859-1去说明？假如按GBK去说明，就会得到“汉字”两个字。依照其它编码说明，大概寻不到对应的字符，也大概寻到错误的字符。所谓“错误”是指与文本作者的本意不符，这时就发生了乱码。
答案是Windows依照当前的缺省代码页去说明文本文件里的字节流。缺省代码页可以通过操纵面板的区域选项设定。记事本的另存为中有一项ANSI，其实就是依照缺省代码页的编码办法留存。
Windows的内码是Unicode，它在技术上可以同时支撑多个代码页。只要文件能说明本人使用什么编码，会员又安置了对应的代码页，Windows就能准确显示，例如在HTML文件中就可以指定charset。
有的HTML文件作者，特殊是英文作者，认为世界上所有人都使用英文，在文件中不指定charset。假如他使用了0x80-0xff之间的字符，中文Windows又依照缺省的GBK去说明，就会显现乱码。这时只要在这个html文件中加上指定charset的语句，例如：
<meta http-equiv="Content-Type" content="text/html; charset=ISO8859-1">
假如原作者使用的代码页和ISO8859-1兼容，就不会显现乱码了。
再说区位码，啊的区位码是1601，写成16进制是0x10,0x01。这和运算机广泛使用的ASCII编码冲突。为了兼容00-7f的ASCII编码，我们在区位码的高、低字节上离别加上A0。这样“啊”的编码就成为B0A1。我们将加过两个A0的编码也称为GB2312编码，虽然GB2312的原文基本没提到这一点。
以上就是对UTF-8和GBK UTF8 GB2312之间有什么不同的全部介绍，假如您想理解更多有关html教程，请关注PHP中文网。
以上就是UTF-8和GBK UTF8 GB2312之间有什么不同的具体内容，更多请关注百分百源码网其它相关文章！
