字符集详解

ISO-8859-1是对ASCII的扩展，简体中文的编码GB2312，ASCII占用一个字节，但是只用到了八位中的后七位，第一位默认为0，ISO-8859-1则是在ASCII的基础上扩展了第一位，并兼容ASCII，而Unicode是定长编码（定长编码对于计算机而言处理速度相对较快），使用两个字节，一个英文字母跟一个汉字占用空间相同，所以说平时看到一个字符的时候并不能直接确定它所占用的空间，而应该结合它的编码方式来确定，不兼容其他字符集；

ASCII：应用于英文系列，单字节，只占用7位，第一位默认为0。

ISO-8859-1：应用于英文系列，单字节，扩展ASCII，又名 Latin-1。此编码方式只是针对ASCII编码的第一位做了扩充，在ASCII的基础上添加了一些其他字符，但是仍然只能用于英文字母的语种，但是可以结合其他编码方式来处理中文，而此编码本身并不能表示中文。很明显，iso8859-1编码表示的字符范围很窄，无法表示中文字符。但是，由于是单字节编码，和计算机最基础的表示单位一致，所以很多时候，仍旧使用iso8859-1编码来表示。而且在很多协议上，默认使用该编码。比如，虽然"中文"两个字不存在iso8859-1编码，以gb2312编码为例，假设两个汉字的编码应该是"d6d0 cec4"两个字符，使用iso8859-1编码的时候则将它拆开为4个字节来表示："d6 d0 ce c4"（事实上，在进行存储的时候，也是以字节为单位处理的）。而如果是UTF编码，则是6个字节"e4 b8 ad e6 96 87"。很明显，这种表示方法还需要以另一种编码为基础。

GB2312：只能表示简体中文。在中文环境里，单字节编码中已经没有可以利用的字节状态来表示汉字，况且有6000多个常用汉字需要保存呢。此时，我们不客气地把那些127号之后的奇异符号们直接取消掉，并且规定：一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节（他称之为高字节）从0xA1用到 0xF7，后面一个字节（低字节）从0xA1到0xFE，这样我们就可以组合出大约7000多个简体汉字了。在这些编码里，我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了，连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码，这就是常说的"全角"字符，而原来在127号以下的那些就叫"半角"字符了。这种汉字方案叫做"GB2312"。GB2312 是对 ASCII 的中文扩展。

GBK：表示简体和繁体中文，兼容GB2312，GB2312虽然使用了两个字节，但是还是有很多的状态没有使用，而且汉字的数量是非常多的，GB2312只是表示了其中常用的一部分，于是干脆不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 GBK 标准，GBK 包括了 GB2312 的所有内容，同时又增加了近20000个新的汉字（包括繁体字）和符号。后来少数民族也要用电脑了，于是我们再扩展，又加了几千个新的少数民族的字，GBK 扩成了 GB18030。从此之后，中华民族的文化就可以在计算机时代中传承了。

Unicode：应用于所有字符系列，定长双字节。由于在单字节的基础上，不同的语种开始扩展自己的编码，这导致不同的语种之间不能交流，因此出现了一个组织统一并扩展了编码，这就是Unicode。UNICODE 开始制订时，计算机的存储器容量极大地发展了，空间再也不成为问题了。于是 ISO 就直接规定必须用两个字节，也就是16位来统一表示所有的字符，对于ascii里的那些"半角"字符，UNICODE 包持其原编码不变，只是将其长度由原来的8位扩展为16位，而其他文化和语言的字符则全部重新统一编码。由于"半角"英文符号只需要用到低8位，所以其高 8位永远是0，因此这种大气的方案在保存英文文本时会多浪费一倍的空间。从 UNICODE 开始，无论是半角的英文字母，还是全角的汉字，它们都是统一的"一个字符"！同时，也都是统一的"两个字节"，请注意"字符"和"字节"两个术语的不同。UNICODE 是用两个字节来表示为一个字符，他总共可以组合出65535不同的字符，这大概已经可以覆盖世界上所有文化的符号。UNICODE 在制订时没有考虑与任何一种现有的编码方案保持兼容，这使得 GBK 与UNICODE 在汉字的内码编排上完全是不一样的，没有一种简单的算术方法可以把文本内容从UNICODE编码和另一种编码进行转换，这种转换必须通过查表来进行。

UTF-8：应用于所有字符系列，

BIG5：