关于编码:ansi、gbk、gb2312、utf8、utf16、utf32、Unicode
从接触编程以来,一直对编码的知识一知半解,总没有掌握精髓。
比如:ansi和gbk的关系,gbk和gb2312又有何关系,ansi和utf8有何区别,Unicode又和utf8是什么关系,以及ansi、gbk、gb2312、utf8(有无Bom之分)、utf16、utf32、Unicode之间的相互转换等等,心中的疑问总没有找个机会解决下,希望能在segmentfault得到满意的答案。
如果有这方面的书籍的话(javascript的最好了,因为刚好是在javascript中碰到的问题),最好不过了!
汇总
书籍
《fonts and encodings》 只找到英文版
许令波的《深入分析Java Web技术内幕》3.3节
文章
字符编码笔记:ASCII,Unicode和UTF-8
谈谈Unicode编码
UNICODE,GBK,UTF-8区别
Unicode字符集和多字节字符集关系
谈谈Unicode编码,简要解释UCS、UTF、BMP、BOM等名词
分析记事本写联通两字出现乱码的原因1
分析记事本写联通两字出现乱码的原因2
小代码大学问之JavaScript位运算
Answers
百度一下,一大堆的博客介绍这个。
http://blog.csdn.net/garfield2005/article/details/7681299
http://www.cnblogs.com/cy163/archive/2007/05/31/766886.html
...
推荐下阮一峰写的一篇入门的文章: http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html
ANSI是标准集,美国国家标准协会,涵盖多方面,类似大陆的国标
win下的ANSI是狭义的,指的是当前系统的编码,相当于code page
GB2312是国标,双字节字符集,但制定年份较早,包含的汉字(含标点符号等)较少
GBK是在GB2312的基础上扩展的,利用其中未被使用的码位,纳入更多的汉字和符号,所以一般情况下应该用GBK而不是GB2312。网页使用gb2312没问题是因为网页本身只是显示,取决于客户端的字体,即使超出gb2312编码范围的字符,只要字体包含就能显示,目前客户端的字体基本上都是足够显示gbk的,不会只有gb2312那么少字符,所以显示完全没问题。但编程时这两个就要分清楚,因为gb2312的字符数量少,容易造成转码错误,所以应该用gbk
unicode是字符集,其实是个码表,不是具体的编码,具体的编码是uc2,uc4,utf-7,utf-8,utf-16,utf-32等,uc是定长,每个字符字节数相同,utf是变长,字符视乎unicode的码位段字节数不同
windows下的unicode指的是utf-16,这样就有点混淆了概念
bom的概念是在文件最前面加上几个特定字节,以方便识别这是一个unicode某个编码的文本
编码间的转换一般用码表,这个一般如果不是研究,用现有的一些控件或接口就可以了,例如iconv等