一文弄懂字符集编码

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。

中文编码

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”);

到此这篇关于一文弄懂字符集编码的文章就介绍到这了,更多相关字符集编码内容请搜索程序员之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持程序员之家！

最新评论