UTF-8：Unicode TransformationFormat-8bit，允許含BOM，但通常不含BOM。是用以解決國際上字符的一種多字節編碼，它對英文使用8位（即一個(gè)字節），中文使用24為（三個(gè)字節）來(lái)編碼。UTF-8包含全世界所有國家需要用到的字符，是國際編碼，通用性強。UTF-8編碼的文字可以在各國支持UTF8字符集的瀏覽器上顯示。如，如果是UTF8編碼，則在外國人的英文IE上也能顯示中文，他們無(wú)需下載IE的中文語(yǔ)言支持包。

GBK是國家標準GB2312基礎上擴容后兼容GB2312的標準。GBK的文字編碼是用雙字節來(lái)表示的，即不論中、英文字符均使用雙字節來(lái)表示，為了區分中文，將其最高位都設定成1。GBK包含全部中文字符，是國家編碼，通用性比UTF8差，不過(guò)UTF8占用的數據庫比GBD大。

GBK、GB2312等與UTF8之間都必須通過(guò)Unicode編碼才能相互轉換：

GBK、GB2312－－Unicode－－UTF8

UTF8－－Unicode－－GBK、GB2312

對于一個(gè)網(wǎng)站、論壇來(lái)說(shuō)，如果英文字符較多，則建議使用UTF－8節省空間。不過(guò)現在很多論壇的插件一般只支持GBK。
個(gè)編碼的區別詳細解釋
簡(jiǎn)單來(lái)說(shuō)，unicode，gbk和大五碼就是編碼的值，而utf-8,uft-16之類(lèi)就是這個(gè)值的表現形式．而前面那三種編碼是一兼容的，同一個(gè)漢字，那三個(gè)碼值是完全不一樣的．如”漢”的uncode值與gbk就是不一樣的，假設uncode為a040，gbk為b030，而uft-8碼，就是把那個(gè)值表現的形式．utf-8碼完全只針對uncode來(lái)組織的，如果ＧＢＫ要轉ＵＴＦ－８必須先轉uncode碼，再轉utf-8就ＯＫ了．

詳細的就見(jiàn)下面轉的這篇文章．

談?wù)刄nicode編碼，簡(jiǎn)要解釋UCS、UTF、BMP、BOM等名詞
這是一篇程序員寫(xiě)給程序員的趣味讀物。所謂趣味是指可以比較輕松地了解一些原來(lái)不清楚的概念，增進(jìn)知識，類(lèi)似于打RPG游戲的升級。整理這篇文章的動(dòng)機是兩個(gè)問(wèn)題：

問(wèn)題一：
使用Windows記事本的“另存為”，可以在GBK、Unicode、Unicode big endian和UTF-8這幾種編碼方式間相互轉換?；蛘呖梢灾苯拥?http://www.knowsky.com/tools/utf8.asp 進(jìn)行在線(xiàn)轉換。

同樣是txt文件，Windows是怎樣識別編碼方式的呢？

我很早前就發(fā)現Unicode、Unicode bigendian和UTF-8編碼的txt文件的開(kāi)頭會(huì )多出幾個(gè)字節，分別是FF、FE（Unicode）,FE、FF（Unicode bigendian）,EF、BB、BF（UTF-8）。但這些標記是基于什么標準呢？

問(wèn)題二：
最近在網(wǎng)上看到一個(gè)ConvertUTF.c，實(shí)現了UTF-32、UTF-16和UTF-8這三種編碼方式的相互轉換。對于Unicode(UCS2)、GBK、UTF-8這些編碼方式，我原來(lái)就了解。但這個(gè)程序讓我有些糊涂，想不起來(lái)UTF-16和UCS2有什么關(guān)系。
查了查相關(guān)資料，總算將這些問(wèn)題弄清楚了，順帶也了解了一些Unicode的細節。寫(xiě)成一篇文章，送給有過(guò)類(lèi)似疑問(wèn)的朋友。本文在寫(xiě)作時(shí)盡量做到通俗易懂，但要求讀者知道什么是字節，什么是十六進(jìn)制。

0、big endian和little endian
big endian和littleendian是CPU處理多字節數的不同方式。例如“漢”字的Unicode編碼是6C49。那么寫(xiě)到文件里時(shí)，究竟是將6C寫(xiě)在前面，還是將49寫(xiě)在前面？如果將6C寫(xiě)在前面，就是big endian。如果將49寫(xiě)在前面，就是little endian。

“endian”這個(gè)詞出自《格列佛游記》。小人國的內戰就源于吃雞蛋時(shí)是究竟從大頭(Big-Endian)敲開(kāi)還是從小頭(Little-Endian)敲開(kāi)，由此曾發(fā)生過(guò)六次叛亂，一個(gè)皇帝送了命，另一個(gè)丟了王位。

我們一般將endian翻譯成“字節序”，將big endian和little endian稱(chēng)作“大尾”和“小尾”。

1、字符編碼、內碼，順帶介紹漢字編碼
字符必須編碼后才能被計算機處理。計算機使用的缺省編碼方式就是計算機的內碼。早期的計算機使用7位的ASCII編碼，為了處理漢字，程序員設計了用于簡(jiǎn)體中文的GB2312和用于繁體中文的big5。

IETF的RFC2781和RFC3629以RFC的一貫風(fēng)格，清晰、明快又不失嚴謹地描述了UTF-16和UTF-8的編碼方法。我總是記不得IETF是Internet Engineering Task Force的縮寫(xiě)。但IETF負責維護的RFC是Internet上一切規范的基礎。

2.1、內碼和code page
目前Windows的內核已經(jīng)支持Unicode字符集，這樣在內核上可以支持全世界所有的語(yǔ)言文字。但是由于現有的大量程序和文檔都采用了某種特定語(yǔ)言的編碼，例如GBK，Windows不可能不支持現有的編碼，而全部改用Unicode。

Windows使用代碼頁(yè)(code page)來(lái)適應各個(gè)國家和地區。code page可以被理解為前面提到的內碼。GBK對應的code page是CP936。

微軟也為GB18030定義了code page：CP54936。但是由于GB18030有一部分4字節編碼，而Windows的代碼頁(yè)只支持單字節和雙字節編碼，所以這個(gè)code page是無(wú)法真正使用的。

3、UCS-2、UCS-4、BMP
UCS有兩種格式：UCS-2和UCS-4。顧名思義，UCS-2就是用兩個(gè)字節編碼，UCS-4就是用4個(gè)字節（實(shí)際上只用了31位，最高位必須為0）編碼。下面讓我們做一些簡(jiǎn)單的數學(xué)游戲：

UCS-2有2^16=65536個(gè)碼位，UCS-4有2^31=2147483648個(gè)碼位。

UCS-4根據最高位為0的最高字節分成2^7=128個(gè)group。每個(gè)group再根據次高字節分為256個(gè)plane。每個(gè)plane根據第3個(gè)字節分為256行 (rows)，每行包含256個(gè)cells。當然同一行的cells只是最后一個(gè)字節不同，其余都相同。

group 0的plane 0被稱(chēng)作Basic Multilingual Plane, 即BMP?；蛘哒f(shuō)UCS-4中，高兩個(gè)字節為0的碼位被稱(chēng)作BMP。

將UCS-4的BMP去掉前面的兩個(gè)零字節就得到了UCS-2。在UCS-2的兩個(gè)字節前加上兩個(gè)零字節，就得到了UCS-4的BMP。而目前的UCS-4規范中還沒(méi)有任何字符被分配在BMP之外。

4、UTF編碼

UTF-8就是以8位為單元對UCS進(jìn)行編碼。從UCS-2到UTF-8的編碼方式如下：

UCS-2編碼(16進(jìn)制) UTF-8 字節流(二進(jìn)制)
0000 - 007F 0xxxxxxx
0080 - 07FF 110xxxxx 10xxxxxx
0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx

例如“漢”字的Unicode編碼是6C49。6C49在0800-FFFF之間，所以肯定要用3字節模板了：1110xxxx 10xxxxxx10xxxxxx。將6C49寫(xiě)成二進(jìn)制是：0110 110001 001001， 用這個(gè)比特流依次代替模板中的x，得到：1110011010110001 10001001，即E6 B1 89。

讀者可以用記事本測試一下我們的編碼是否正確。需要注意，UltraEdit在打開(kāi)utf-8編碼的文本文件時(shí)會(huì )自動(dòng)轉換為UTF-16，可能產(chǎn)生混淆。你可以在設置中關(guān)掉這個(gè)選項。更好的工具是Hex Workshop。

UTF-16以16位為單元對UCS進(jìn)行編碼。對于小于0x10000的UCS碼，UTF-16編碼就等于UCS碼對應的16位無(wú)符號整數。對于不小于0x10000的UCS碼，定義了一個(gè)算法。不過(guò)由于實(shí)際使用的UCS2，或者UCS4的BMP必然小于0x10000，所以就目前而言，可以認為UTF-16和UCS-2基本相同。但UCS-2只是一個(gè)編碼方案，UTF-16卻要用于實(shí)際的傳輸，所以就不得不考慮字節序的問(wèn)題。

5、UTF的字節序和BOM
UTF-8以字節為編碼單元，沒(méi)有字節序的問(wèn)題。UTF-16以?xún)蓚€(gè)字節為編碼單元，在解釋一個(gè)UTF-16文本前，首先要弄清楚每個(gè)編碼單元的字節序。例如“奎”的Unicode編碼是594E，“乙”的Unicode編碼是4E59。如果我們收到UTF-16字節流“594E”，那么這是“奎”還是“乙”？

Unicode規范中推薦的標記字節順序的方法是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte order Mark。BOM是一個(gè)有點(diǎn)小聰明的想法：

在UCS編碼中有一個(gè)叫做"ZERO WIDTH NO-BREAKSPACE"的字符，它的編碼是FEFF。而FFFE在UCS中是不存在的字符，所以不應該出現在實(shí)際傳輸中。UCS規范建議我們在傳輸字節流前，先傳輸字符"ZERO WIDTH NO-BREAK SPACE"。

這樣如果接收者收到FEFF，就表明這個(gè)字節流是Big-Endian的；如果收到FFFE，就表明這個(gè)字節流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被稱(chēng)作BOM。

UTF-8不需要BOM來(lái)表明字節順序，但可以用BOM來(lái)表明編碼方式。字符"ZERO WIDTH NO-BREAKSPACE"的UTF-8編碼是EF BB BF（讀者可以用我們前面介紹的編碼方法驗證一下）。所以如果接收者收到以EF BBBF開(kāi)頭的字節流，就知道這是UTF-8編碼了。

Windows就是使用BOM來(lái)標記文本文件的編碼方式的。

6、進(jìn)一步的參考資料
本文主要參考的資料是 "Short overview of ISO-IEC 10646 and Unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。

我還找了兩篇看上去不錯的資料，不過(guò)因為我開(kāi)始的疑問(wèn)都找到了答案，所以就沒(méi)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)
我寫(xiě)過(guò)UTF-8、UCS-2、GBK相互轉換的軟件包，包括使用Windows API和不使用Windows API的版本。

我是想清楚所有問(wèn)題后才開(kāi)始寫(xiě)這篇文章的，原以為一會(huì )兒就能寫(xiě)好。沒(méi)想到考慮措辭和查證細節花費了很長(cháng)時(shí)間，竟然從下午1:30寫(xiě)到9:00。希望有讀者能從中受益。

附錄1 再說(shuō)說(shuō)區位碼、GB2312、內碼和代碼頁(yè)
有的朋友對文章中這句話(huà)還有疑問(wèn)：
“GB2312的原文還是區位碼，從區位碼到內碼，需要在高字節和低字節上分別加上A0。”

我再詳細解釋一下：

“GB2312的原文”是指國家1980年的一個(gè)標準《中華人民共和國國家標準 信息交換用漢字編碼字符集 基本集 GB2312-80》。這個(gè)標準用兩個(gè)數來(lái)編碼漢字和中文符號。第一個(gè)數稱(chēng)為“區”，第二個(gè)數稱(chēng)為“位”。所以也稱(chēng)為區位碼。1-9區是中文符號，16-55區是一級漢字，56-87區是二級漢字?，F在Windows也還有區位輸入法，例如輸入1601得到“啊”。（這個(gè)區位輸入法可以自動(dòng)識別16進(jìn)制的GB2312和10進(jìn)制的區位碼，也就是說(shuō)輸入B0A1同樣會(huì )得到“啊”。）

內碼是指操作系統內部的字符編碼。早期操作系統的內碼是與語(yǔ)言相關(guān)的?，F在的Windows在系統內部支持Unicode，然后用代碼頁(yè)適應各種語(yǔ)言，“內碼”的概念就比較模糊了。微軟一般將缺省代碼頁(yè)指定的編碼說(shuō)成是內碼。

內碼這個(gè)詞匯，并沒(méi)有什么官方的定義，代碼頁(yè)也只是微軟這個(gè)公司的叫法。作為程序員，我們只要知道它們是什么東西，沒(méi)有必要過(guò)多地考證這些名詞。

所謂代碼頁(yè)(code page)就是針對一種語(yǔ)言文字的字符編碼。例如GBK的code page是CP936，BIG5的code page是CP950，GB2312的code page是CP20936。

Windows中有缺省代碼頁(yè)的概念，即缺省用什么編碼來(lái)解釋字符。例如Windows的記事本打開(kāi)了一個(gè)文本文件，里面的內容是字節流：BA、BA、D7、D6。Windows應該去怎么解釋它呢？

是按照Unicode編碼解釋、還是按照GBK解釋、還是按照BIG5解釋?zhuān)€是按照ISO8859-1去解釋?zhuān)咳绻碐BK去解釋?zhuān)蜁?huì )得到“漢字”兩個(gè)字。按照其它編碼解釋?zhuān)赡苷也坏綄淖址?，也可能找到錯誤的字符。所謂“錯誤”是指與文本作者的本意不符，這時(shí)就產(chǎn)生了亂碼。

答案是Windows按照當前的缺省代碼頁(yè)去解釋文本文件里的字節流。缺省代碼頁(yè)可以通過(guò)控制面板的區域選項設置。記事本的另存為中有一項ANSI，其實(shí)就是按照缺省代碼頁(yè)的編碼方法保存。

Windows的內碼是Unicode，它在技術(shù)上可以同時(shí)支持多個(gè)代碼頁(yè)。只要文件能說(shuō)明自己使用什么編碼，用戶(hù)又安裝了對應的代碼頁(yè)，Windows就能正確顯示，例如在HTML文件中就可以指定charset。

有的HTML文件作者，特別是英文作者，認為世界上所有人都使用英文，在文件中不指定charset。如果他使用了0x80-0xff之間的字符，中文Windows又按照缺省的GBK去解釋?zhuān)蜁?huì )出現亂碼。這時(shí)只要在這個(gè)html文件中加上指定charset的語(yǔ)句，例如：

如果原作者使用的代碼頁(yè)和ISO8859-1兼容，就不會(huì )出現亂碼了。

再說(shuō)區位碼，啊的區位碼是1601，寫(xiě)成16進(jìn)制是0x10,0x01。這和計算機廣泛使用的ASCII編碼沖突。為了兼容00-7f的ASCII編碼，我們在區位碼的高、低字節上分別加上A0。這樣“啊”的編碼就成為B0A1。我們將加過(guò)兩個(gè)A0的編碼也稱(chēng)為GB2312編碼，雖然GB2312的原文根本沒(méi)提到這一點(diǎn)。

---