從ASCII編碼談起：
我們需要了解的最早編碼是ASCII碼。它用7個二進(jìn)制位來表示，由于那個時期生產(chǎn)的大多數(shù)計算機(jī)使用8位大小的字節(jié)，因此用戶不僅可以存放所有可能的ASCII字符，而且有整整一位空余下來。如果你技藝高超，可以將該位用做自己離奇的目的：WordStar中那個發(fā)暗的燈泡實(shí)際上設(shè)置這個高位，以指示一個單詞中的最后一個字母，同時這也宣示了WordStar只能用于英語文本。
由于字節(jié)有多達(dá)8位的空間，因此許多人在想：“呀！我們可以把128~255之間的編碼用做個人的應(yīng)用目的。”問題在于，同時產(chǎn)生這種想法的人相當(dāng)多，而且在128~255之間的各個位置上應(yīng)該存放什么這一問題上，真是仁者見仁智者見智。事實(shí)上，只要人們開始在美國以外的地方購買計算機(jī)，那么各種各樣的不同OEM字符集都會進(jìn)入規(guī)劃設(shè)計行列，并且各人都會根據(jù)自己的需要使用高位的128個字符。如此一來，甚至在同語種的文檔之間就不容易實(shí)現(xiàn)互換。ASCII可被擴(kuò)展，最優(yōu)秀的擴(kuò)展方案是ISO 8859-1，通常稱之為Latin-1。Latin-1包括了足夠的附加字符集來寫基本的西歐語言。
最后，這個人人參與的OEM終于以ANSI標(biāo)準(zhǔn)的形式形成文件。在ANSI標(biāo)準(zhǔn)中，每個人都認(rèn)同如何使用低端的128個編碼，這與ASCII相當(dāng)一致。不過，根據(jù)所在國籍的不同，處理編碼128以上的字符有許多不同的方式。這些不同的系統(tǒng)稱為代碼頁。
同時，甚至更為令人頭疼的事情正在逐步上演，亞洲國家的字符表有成千上萬個字符，這樣的字符表是用8位二進(jìn)制無法表示的。該問題的解決通常有賴于稱為DBCS（double byte character set，雙字節(jié)字符集）的繁雜字符系統(tǒng)。
不過，仍然需要指出一點(diǎn)，多數(shù)人還是姑且認(rèn)為一個字節(jié)就是一個字符，以及一個字符就是8個二進(jìn)制位，并且只要確保不將字符串從一臺計算機(jī)移植到另一臺計算機(jī)，或者說一種以上的語言，那么這幾乎總是可以湊合。當(dāng)然，只要一進(jìn)入Internet，從一臺計算機(jī)向另一臺計算機(jī)移植字符串就成為家常便飯了，而各種復(fù)雜狀況也隨之呈現(xiàn)出來。令人欣慰的是，Unicode隨即問世了。
Unicode編碼：
Unicode勇往直前地創(chuàng)建一種單一字符集，試圖囊括地球上所有合理文字體系。每個字符在Unicode中一律以2個Byte編碼。ISO頒布10646號標(biāo)準(zhǔn)叫UCS(Universal Character Set)。在UCS通用集中，每個字符用4個Byte編碼。慶幸的是，Unicode策進(jìn)會自欺欺人1991年以來便和UCS小組密切配合，從而使Unicode和ISO 10646保持一致辭。
仔細(xì)算來，康熙字典里的中文字就有4萬多個，如果再加上里面沒有的簡體字，那么Unicode的6萬字容量僅漢字就已用得大部分。對此,Unicode和UCS采用中、日、韓整合(CJK Unification)的解決方案，把中日韓文中筆劃相近的字，盡量以一個單碼來代表。經(jīng)過中日韓整合的漢字，在Unicode中稱Unihan(統(tǒng)漢字)。Unicode標(biāo)準(zhǔn)中，共有2萬多個統(tǒng)漢字，所以它不包括日常罕見的漢字。Unihan統(tǒng)漢字在Unicode中主要分布在3400到9fff之間，此外f900和faff之間了有一些。其中BIG5和GB2312中的漢字和符號都在4000和9fff之間。
UCS通用字符集中，有UCS-2和UCS-4等編碼方式，其中的‘2‘和‘4‘指的是字節(jié)數(shù)。就目前而言，在UCS-2碼之前補(bǔ)上兩個零字節(jié)，便可得到相對應(yīng)的UCS-4碼。
UTF-8編碼與UTF-16編碼：
UCS只是規(guī)定如何編碼，并沒有規(guī)定如何傳輸、保存這個編碼。例如“漢”字的UCS編碼是6C49，我可以用4個ascii數(shù)字來傳輸、保存這個編碼；也可以用utf-8編碼:3個連續(xù)的字節(jié)E6 B1 89來表示它。關(guān)鍵在于通信雙方都要認(rèn)可。UTF-8、UTF-7、UTF-16都是被廣泛接受的方案。UTF-8的一個特別的好處是它與ISO-8859-1完全兼容。UTF是"UCS Transformation Format"的縮寫。
用Unicode字符集寫的英語文本是ASCII或Latin-1寫的文本大小的兩倍。UTF-8是Unicode壓縮版本，對于大多數(shù)常用字符集(ASCII中0~127字符)它只使用單字節(jié)，而對其它常用字符(特別是朝鮮和漢語會意文字)，它使用３字節(jié)。如果寫的主要是英語，那么UTF-8可減少文件大小一半左右。反之，如果主要寫漢、日、朝鮮語，那么UTF-8會把文件大小增大50%。UTF-8就是以8位為單元對UCS進(jìn)行編碼。
除非特別指定，XML處理器假設(shè)文本數(shù)據(jù)是UTF-8格式。
UTF-8的格式為：
| UCS-2編碼(16進(jìn)制) | UTF-8 字節(jié)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(jié)模板了：1110xxxx 10xxxxxx 10xxxxxx。將6C49寫成二進(jìn)制是：0110 110001 001001， 用這個比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。
在當(dāng)今大多數(shù)計算機(jī)系統(tǒng)中，仍是以字節(jié)單元來做存取。如果以UTF-16(雙字節(jié))來存取資料，會產(chǎn)生許多問題。例如，在Ｃ語言中，0x00這個字節(jié)有特殊的意義和作用。而UTF-16的頭256個字碼的第一個字節(jié)，正是0x00(第二個字節(jié)則是相對的ISO 8850-1字碼)，因此用UTF-16來表示文檔名、網(wǎng)址等，會出現(xiàn)許多意想不到的問題。不只0x00,還有許多其他字符，也都可能和許多OS相沖突。
此外，UTF-16及許多亞洲地區(qū)現(xiàn)行的雙字節(jié)區(qū)域性編碼方式，在應(yīng)用上都有先天性缺陷。例，字符與字符之間的邊界不好找，程序在處理時必須從頭掃描，才能正確可靠地找出某個字符的邊界，這樣效率極低。此處，若中文文件中某個地方錯了一個字節(jié)，所有在這個字節(jié)之后的中文字都會壞掉，一直到下個英文字符或空白字符出現(xiàn)為止。
以上問題，在UTF-8中都不存在。Unicode標(biāo)準(zhǔn)中明文規(guī)定，當(dāng)UTF-8格式的文件中有不合法的組合出現(xiàn)時，該怎么處理。例，碰到第一個字節(jié)是以1110開頭，但是下一個字節(jié)卻是以0開頭。
從另一個角度看，若改用UTF-16來編碼，雖然不會增加亞洲文字所占的空間(都是兩個字節(jié))，但對西文來說，等于讓所有的文件大小一律加倍。這也難怪西方世界的軟件設(shè)計師對Unicode缺乏興趣。有了UTF-8，為數(shù)眾多的英文文件不需任何轉(zhuǎn)換，就自然符合UTF-8，這對向英文國家促銷Unicode有很在幫助。
編碼序的問題：
將編碼存儲為2個字節(jié)的傳統(tǒng)方法稱為UCS-2（因為它有2個字節(jié)）或者UTF-16（因為它有16位），不過仍然需要弄清它是高端存放模式的UCS-2，還是低端存放模式的UCS-2。
big endian和little endian是CPU處理多字節(jié)數(shù)的不同方式。例如“漢”字的Unicode編碼是6C49。那么寫到文件里時，究竟是將6C寫在前面，還是將49寫在前面？如果將6C寫在前面，就是big endian。如果將49寫在前面，就是little endian。
"endian"這個詞出自《格列佛游記》。小人國的內(nèi)戰(zhàn)就源于吃雞蛋時是究竟從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開，由此曾發(fā)生過六次叛亂，一個皇帝送了命，另一個丟了王位。
我們一般將endian翻譯成"字節(jié)序"，將big endian和little endian稱作"大尾"和"小尾"。
UTF-8以字節(jié)為編碼單元，沒有字節(jié)序的問題。UTF-16以兩個字節(jié)為編碼單元，在解釋一個UTF-16文本前，首先要弄清楚每個編碼單元的字節(jié)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(jié)流"594E"，那么這是“奎”還是"乙"？
Unicode規(guī)范中推薦的標(biāo)記字節(jié)順序的方法是BOM(即Byte Order Mark)。
BOM是一個有點(diǎn)小聰明的想法：
在UCS編碼中有一個叫做"ZERO WIDTH NO-BREAK SPACE"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(yīng)該出現(xiàn)在實(shí)際傳輸中。UCS規(guī)范建議我們在傳輸字節(jié)流前，先傳輸字符"ZERO WIDTH NO-BREAK SPACE"。
這樣如果接收者收到FEFF，就表明這個字節(jié)流是Big-Endian的；如果收到FFFE，就表明這個字節(jié)流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被稱作BOM。
UTF-8不需要BOM來表明字節(jié)順序，但可以用BOM來表明編碼方式。字符"ZERO WIDTH NO-BREAK SPACE"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 BB BF開頭的字節(jié)流，就知道這是UTF-8編碼了。
Windows就是使用BOM來標(biāo)記文本文件的編碼方式的。
漢字的編碼：
早期的計算機(jī)使用7位的ASCII編碼，為了處理漢字，程序員設(shè)計了用于簡體中文的GB2312和用于繁體中文的BIG5。
GB2312(1980年)一共收錄了7445個字符，包括6763個漢字和682個其它符號。漢字區(qū)的內(nèi)碼范圍高字節(jié)從B0-F7，低字節(jié)從A1-FE，占用的碼位是72*94=6768。其中有5個空位是D7FA-D7FE。GB2312-80中共收錄了7545個字符，用兩個字節(jié)編碼一個字符。每個字符最高位為0。GB2312-80編碼簡稱國標(biāo)碼。
GB2312支持的漢字太少。1995年的漢字?jǐn)U展規(guī)范GBK1.0收錄了21886個符號，它分為漢字區(qū)和圖形符號區(qū)。漢字區(qū)包括21003個字符。
從ASCII、GB2312到GBK，這些編碼方法是向下兼容的，即同一個字符在這些方案中總是有相同的編碼，后面的標(biāo)準(zhǔn)支持更多的字符。在這些編碼中，英文和中文可以統(tǒng)一地處理。區(qū)分中文編碼的方法是高字節(jié)的最高位不為0。按照程序員的稱呼，GB2312、GBK都屬于雙字節(jié)字符集 (DBCS)。
2000年的GB18030是取代GBK1.0的正式國家標(biāo)準(zhǔn)。該標(biāo)準(zhǔn)收錄了27484個漢字，同時還收錄了藏文、蒙文、維吾爾文等主要的少數(shù)民族文字。從漢字字匯上說，GB18030在GB13000.1的20902個漢字的基礎(chǔ)上增加了CJK擴(kuò)展A的6582個漢字（Unicode碼0x3400-0x4db5），一共收錄了27484個漢字。
GB18030的編碼采用單字節(jié)、雙字節(jié)和4字節(jié)方案。其中單字節(jié)、雙字節(jié)和GBK是完全兼容的。4字節(jié)編碼的碼位就是收錄了CJK擴(kuò)展A的6582個漢字。 例如：UCS的0x3400在GB18030中的編碼應(yīng)該是8139EF30，UCS的0x3401在GB18030中的編碼應(yīng)該是8139EF31。
微軟提供了GB18030的升級包，但這個升級包只是提供了一套支持CJK擴(kuò)展A的6582個漢字的新字體：新宋體-18030，并不改變內(nèi)碼。Windows 的內(nèi)碼仍然是GBK。
這里還有一些細(xì)節(jié)：
GB2312的原文還是區(qū)位碼，從區(qū)位碼到內(nèi)碼，需要在高字節(jié)和低字節(jié)上分別加上A0。
前面提到從ASCII、GB2312、GBK到GB18030的編碼方法是向下兼容的。而Unicode只與ASCII兼容（更準(zhǔn)確地說，是與ISO-8859-1兼容），與GB碼不兼容。例如“漢”字的Unicode編碼是6C49，而GB碼是BABA。
對于任何字符編碼，編碼單元的順序是由編碼方案指定的，與endian無關(guān)。例如GBK的編碼單元是字節(jié)，用兩個字節(jié)表示一個漢字。 這兩個字節(jié)的順序是固定的，不受CPU字節(jié)序的影響。UTF-16的編碼單元是word（雙字節(jié)），word之間的順序是編碼方案指定的，word內(nèi)部的字節(jié)排列才會受到endian的影響。后面還會介紹UTF-16。
GB2312的兩個字節(jié)的最高位都是1。但符合這個條件的碼位只有128*128=16384個。所以GBK和GB18030的低字節(jié)最高位都可能不是1。不過這不影響DBCS字符流的解析：在讀取DBCS字符流時，只要遇到高位為1的字節(jié)，就可以將下兩個字節(jié)作為一個雙字節(jié)編碼，而不用管低字節(jié)的高位是什么。
目前Windows的內(nèi)核已經(jīng)采用Unicode編碼，這樣在內(nèi)核上可以支持全世界所有的語言文字。但是由于現(xiàn)有的大量程序和文檔都采用了某種特定語言的編碼，例如GBK，Windows不可能不支持現(xiàn)有的編碼，而全部改用Unicode。
Windows使用代碼頁(code page)來適應(yīng)各個國家和地區(qū)。code page可以被理解為下節(jié)提到的內(nèi)碼。GBK對應(yīng)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(jié)編碼，而Windows的代碼頁只支持單字節(jié)和雙字節(jié)編碼，所以這個code page是無法真正使用的。
內(nèi)碼與外碼：
我們常說漢字的"內(nèi)碼"與"外碼"。內(nèi)碼是漢字在計算機(jī)內(nèi)部存儲，處理和傳輸用的信息編碼。它必須與ASCII碼兼容但又不能沖突，所以把國標(biāo)碼兩個字節(jié)的最高位置‘1‘，以區(qū)別于西文，這就是內(nèi)碼。漢字的輸入碼稱為"外碼"。輸入碼即指我們輸入漢字時使用的編碼。常見的外碼分為數(shù)字編碼(如區(qū)位碼)，拼音編碼和字形編碼(如五筆)。
再說區(qū)位碼，"啊"的區(qū)位碼是1601，寫成16進(jìn)制是0x10,0x01。這和計算機(jī)廣泛使用的ASCII編碼沖突。為了兼容00-7f的ASCII編碼，我們在區(qū)位碼的高、低字節(jié)上分別加上A0。這樣"啊"的編碼就成為B0A1。我們將加過兩個A0的編碼也稱為GB2312編碼，雖然GB2312的原文根本沒提到這一點(diǎn)。
內(nèi)碼是指操作系統(tǒng)內(nèi)部的字符編碼。早期操作系統(tǒng)的內(nèi)碼是與語言相關(guān)的.現(xiàn)在的Windows在內(nèi)部統(tǒng)一使用Unicode，然后用代碼頁適應(yīng)各種語言,"內(nèi)碼"的概念就比較模糊了。我們一般將缺省代碼頁指定的編碼說成是內(nèi)碼。內(nèi)碼這個詞匯，并沒有什么官方的定義。代碼頁也只是微軟的一種習(xí)慣叫法。作為程序員，我們只要知道它們是什么東西，沒有必要過多地考證這些名詞。
所謂代碼頁(code page)就是針對一種語言文字的字符編碼。例如GBK的code page是CP936，BIG5的code page是CP950，GB2312的code page是CP20936。
Windows中有缺省代碼頁的概念，即缺省用什么編碼來解釋字符。例如Windows的記事本打開了一個文本文件，里面的內(nèi)容是字節(jié)流：BA、BA、D7、D6。Windows應(yīng)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，還是按照ISO8859-1去解釋？如果按GBK去解釋，就會得到"漢字"兩個字。按照其它編碼解釋，可能找不到對應(yīng)的字符，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，這時就產(chǎn)生了亂碼。
答案是Windows按照當(dāng)前的缺省代碼頁去解釋文本文件里的字節(jié)流。缺省代碼頁可以通過控制面板的區(qū)域選項設(shè)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的編碼方法保存。
Windows的內(nèi)碼是Unicode，它在技術(shù)上可以同時支持多個代碼頁。只要文件能說明自己使用什么編碼，用戶又安裝了對應(yīng)的代碼頁，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(rèn)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，就會出現(xiàn)亂碼。這時只要在這個html文件中加上指定charset的語句，例如：
<meta http-equiv="Content-Type" content="text/html; charset=ISO8859-1">
如果原作者使用的代碼頁和ISO8859-1兼容，就不會出現(xiàn)亂碼了。
進(jìn)一步的參考資料
"Short overview of ISO-IEC 10646 and Unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)
