字符集基础

计算机只认识 0 和 1。无论在内存还是外存，我们看到的文字、图片、视频，在机器里都是二进制。不同字符对应二进制的规则，就是字符编码；编码的集合称为字符集。

要准确处理各种文字，必须先编码。常见的有 ASCII、GB***、Unicode。

一、ASCII 编码

ASCII（American Standard Code for Information Interchange）是基于拉丁字母的电脑编码系统，主要用于显示现代英语和其他西欧语言，是最通用的单字节编码。

它收录空格及 94 个「可印刷字符」，够英语用。其它使用拉丁字母的语言（主要是欧洲）还有附加符号字母，可以用 ASCII 及控制字符以外的区域来存。扩充 ASCII 为不同国家和地区制定了十多套（均为拉丁字符集，高位为 1 的 8 位代码），称为 ISO 8859，又称扩充 ASCII 字符集。Latin1 是 ISO-8859-1 的别名。

二、GBK 等汉字编码

ASCII 最大的缺点是能显示的字符有限：西欧语言勉强能扩，其它语言就无能为力。计算机用得越广，这个缺陷越明显，各国必须设计符合本国的编码。要显示中文，就要把汉字转成计算机能接受的数字。

• GB2312：用于汉字处理、汉字通信等系统之间的信息交换，通行于中国大陆。
• GBK：全称《汉字内码扩展规范》，向下兼容 GB2312，向上支持 ISO 10646.1，是前者向后者过渡的承上启下标准。

三、Unicode 编码

各国编码互不兼容（中文就有 GB2312、GBK、GB18030），本地没问题，一上网就乱码。为解决这个问题出现了 Unicode（统一码、万国码、单一码）：为每种语言的每个字符设定统一且唯一的二进制编码，满足跨语言、跨平台的文本转换和处理。

Unicode 是字符集，实现方式有多种，如 UTF-8、UTF-16。互联网上用得最广的是 UTF-8；UTF-16、UTF-32 在网上基本不用。再强调一遍：UTF-8 是 Unicode 的实现方式之一。

一句话总结：字符集是「字符怎么变成二进制」的规则；本地可用 GBK，上网请用 Unicode 的 UTF-8，避免乱码。