字符編碼知識：Unicode、UTF-8、ASCII、GB2312等編碼之間是如何轉換的？
轉自： http://apps.hi.baidu.com/share/detail/17798660
字符編碼是計算機技術的基石，想要熟練使用計算機，就必須懂得字符編碼的知識。不注意的人可能對這個不在意，但這些名詞有時候實在讓人迷惑，對想學習計算機知識的人來說，搞懂它也十分重要，我也是在學習中慢慢了解了一些這方面的知識。
1. ASCII碼
在計算機內部，所有的信息最終都表示為一個二進制的字符串。每一個二進制位（bit）有0和1兩種狀態，因此八個二進制位就可以組合出256種狀態，這被稱為一個字節（byte）。也就是說，一個字節一共可以用來表示256種不同的狀態，每一個狀態對應一個符號，就是256個符號，從0000000到11111111。
上個世紀60年代，美國制定了一套字符編碼，對英語字符與二進制位之間的關系，做了統一規定。這被稱為ASCII碼，一直沿用至今。
ASCII碼一共規定了128個字符的編碼，比如空格“SPACE”是32（十進制的32，用二進制表示就是00100000），大寫的字母A是65（二進制01000001）。這128個符號（包括32個不能打印出來的控制符號），只占用了一個字節的后面7位，最前面的1位統一規定為0。下面是截圖：具體的可以到這個網頁上去查下：http://www.nengcha.com/code/ascii/all/
2、非ASCII編碼
英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用ASCII碼表示。于是，一些歐洲國家就決定，利用字節中閑置的最高位編入新的符號。比如，法語中的é的編碼為130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符號。
但是，這里又出現了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel (?)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0—127表示的符號是一樣的，不一樣的只是128—255的這一段。
至于亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節只能表示256種符號，肯定是不夠的，就必須使用多個字節表達一個符號。比如，簡體中文常見的編碼方式是GB2312，使用兩個字節表示一個漢字，所以理論上最多可以表示256x256=65536個符號。
3.Unicode
正如上一節所說，世界上存在著多種編碼方式，同一個二進制數字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什么電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。解釋：同一個文本文件，假設內容是用英語寫的，在英語編碼的情況下，每個字符會和一個二進制數對應（如00101000類似），然后存到計算機中，這時把這個英語文件發給一個俄語國家的用戶，計算機傳輸的是二進制流，即0101之類的數據，到了俄語用戶這方，需要有它的俄語編碼方式進行解碼，把每個二進制流轉為字符顯示，由于俄語編碼表中對每串二進制流數據的解釋方式不同，同一個數據如00101000在英語中可能代表A，而在俄語中則代表B，這樣就會產生亂碼，這是我個人的理解。
GB2312編碼、日文編碼等也是非unicode編碼，是要通過轉換表（codepage）轉換成unicode編碼的，要不怎么顯示出來呢？
可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那么亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種所有符號的編碼。
Unicode當然是一個很大的集合，現在的規模可以容納100多萬個符號。每個符號的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字“嚴”。具體的符號對應表，可以查詢unicode.org，或者專門的漢字對應表。
4. Unicode的問題
需要注意的是，Unicode只是一個符號集，只是一種規范、標準，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲在計算機上。
比如，漢字“嚴”的unicode是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說這個符號的表示至少需要2個字節。表示其他更大的符號，可能需要3個字節或者4個字節，甚至更多。
這里就有兩個嚴重的問題，第一個問題是，如何才能區別unicode和ascii？計算機怎么知道三個字節表示一個符號，而不是分別表示三個符號呢？第二個問題是，我們已經知道，英文字母只用一個字節表示就夠了，如果unicode統一規定，每個符號用三個或四個字節表示，那么每個英文字母前都必然有二到三個字節是0，這對于存儲來說是極大的浪費，文本文件的大小會因此大出二三倍，這是無法接受的。
它們造成的結果是：1）出現了unicode的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示unicode。2）unicode在很長一段時間內無法推廣，直到互聯網的出現。
5.UTF-8
互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在互聯網上使用最廣的一種unicode的實現方式。其他實現方式還包括UTF-16和UTF-32，不過在互聯網上基本不用。重復一遍，這里的關系是，UTF-8是Unicode的實現方式之一，它規定了字符如何在計算機中存儲、傳輸等。
UTF-8最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~4個字節表示一個符號，根據不同的符號而變化字節長度。
UTF-8的編碼規則很簡單，只有二條：
1）對于單字節的符號，字節的第一位設為0，后面7位為這個符號的unicode碼。因此對于英語字母，UTF-8編碼和ASCII碼是相同的。
2）對于n字節的符號（n>1），第一個字節的前n位都設為1，第n+1位設為0，后面字節的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符號的unicode碼。
下表總結了編碼規則，字母x表示可用編碼的位。
Unicode符號范圍 | UTF-8編碼方式
(十六進制) | （二進制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
下面，還是以漢字“嚴”為例，演示如何實現UTF-8編碼。
已知“嚴”的unicode是4E25（100111000100101），根據上表，可以發現4E25處在第三行的范圍內（0000 0800-0000 FFFF），因此“嚴”的UTF-8編碼需要三個字節，即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后，從“嚴”的最后一個二進制位開始，依次從后向前填入格式中的x，多出的位補0。這樣就得到了，“嚴”的UTF-8編碼是“11100100 10111000 10100101”，這是保存在計算機中的實際數據，轉換成十六進制就是E4B8A5，轉成十六進制的目的為了便于閱讀。
6. Unicode與UTF-8之間的轉換
通過上一節的例子，可以看到“嚴”的Unicode碼是4E25，UTF-8編碼是E4B8A5，兩者是不一樣的。它們之間的轉換可以通過程序實現。
在Windows平臺下，有一個最簡單的轉化方法，就是使用內置的記事本小程序Notepad.exe。打開文件后，點擊“文件”菜單中的“另存為”命令，會跳出一個對話框，在最底部有一個“編碼”的下拉條。
里面有四個選項：ANSI，Unicode，Unicode big endian 和 UTF-8。
1）ANSI是默認的編碼方式。對于英文文件是ASCII編碼，對于簡體中文文件是GB2312編碼（只針對Windows簡體中文版，如果是繁體中文版會采用Big5碼）。
2）Unicode編碼指的是UCS-2編碼方式，即直接用兩個字節存入字符的Unicode碼。這個選項用的little endian格式。
3）Unicode big endian編碼與上一個選項相對應。我在下一節會解釋little endian和big endian的涵義。
4）UTF-8編碼，也就是上一節談到的編碼方法。
選擇完”編碼方式“后，點擊”保存“按鈕，文件的編碼方式就立刻轉換好了。
7. Little endian和Big endian
上一節已經提到，Unicode碼可以采用UCS-2格式直接存儲。以漢字”嚴“為例，Unicode碼是4E25，需要用兩個字節存儲，一個字節是4E，另一個字節是25。存儲的時候，4E在前，25在后，就是Big endian方式；25在前，4E在后，就是Little endian方式。
那么很自然的，就會出現一個問題：計算機怎么知道某一個文件到底采用哪一種方式編碼？
Unicode規范中定義，每一個文件的最前面分別加入一個表示編碼順序的字符，這個字符的名字叫做”零寬度非換行空格“（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。這正好是兩個字節，而且FF比FE大1。
如果一個文本文件的頭兩個字節是FE FF，就表示該文件采用大頭方式；如果頭兩個字節是FF FE，就表示該文件采用小頭方式。
8. 實例
下面，舉一個實例。
打開”記事本“程序Notepad.exe，新建一個文本文件，內容就是一個”嚴“字，依次采用ANSI，Unicode，Unicode big endian 和 UTF-8編碼方式保存。
然后，用文本編輯軟件UltraEdit中的”十六進制功能“，觀察該文件的內部編碼方式。
1）ANSI：文件的編碼就是兩個字節“D1 CF”，這正是“嚴”的GB2312編碼，這也暗示GB2312是采用大頭方式存儲的。
2）Unicode：編碼是四個字節“FF FE 25 4E”，其中“FF FE”表明是小頭方式存儲，真正的編碼是4E25。
3）Unicode big endian：編碼是四個字節“FE FF 4E 25”，其中“FE FF”表明是大頭方式存儲。
4）UTF-8：編碼是六個字節“EF BB BF E4 B8 A5”，前三個字節“EF BB BF”表示這是UTF-8編碼，后三個“E4B8A5”就是“嚴”的具體編碼，它的存儲順序與編碼順序是一致的。
9.解決的問題：
一、如何在中文系統中運行非Unicode編碼程序？
有很多意大利文版（除英文版）學習軟件、百科全書等軟件在中文系統上會出現亂碼，解決方法：
WindowsXP內核是Unicode編碼，支持多語種，對于Unicode編碼的應用程序會正常顯示原文（因為windows核心是用unicode代碼寫的，所以不存在問題），但是，很多程序不是用Unicode編碼寫的，這時WindowsXP系統可以指定以特定的編碼運行非Unicode編碼程序，中文版WindowsXP默認的是“簡體中文GB2312”。你只需在控制面板--〉區域和語言選項--〉高級--〉為非Unicode程序的語言選擇“意大利語”，即可正確運行意大利文版的游戲程序。分析：我理解的流程是這樣：程序------>意大利語編碼（轉換表codepage）------>解釋成unicode識別的編碼（通過指定的轉換表將非 Unicode 的字符編碼轉換為同一字符對應的系統內部使用的 Unicode 編碼）------>被系統翻譯成意大利文（因為每個unicode編碼對應了相應的意大利文字），便可以正常顯示了。
二、消除網頁亂碼？
網頁亂碼是瀏覽器對HTML網頁解釋時形成的，如果網頁制作時編碼為繁體big5，瀏覽器卻以編碼gb2312顯示該網頁，就會出現亂碼，因此只要你在瀏覽器中也以繁體big5顯示該網頁，就會消除亂碼。打個比方有些像字典，繁體字得用繁體字典來查看，簡體字得用簡體字典來查看，不然你看不懂。
【解決辦法】：在瀏覽器中選擇“編碼”菜單，事先為瀏覽器安裝多語言支持包（例如在安裝IE時要安裝多語言支持包），這樣當瀏覽網頁出現亂碼時，即可手工更改查看此網頁的編碼方式，在瀏覽器中選擇菜單欄下的“查看”/“編碼”/“自動選擇”/簡體中文（GB2312），如為繁體中文則選擇“查看”/“編碼”/“自動選擇”/繁體中文（BIG5），其他語言依此類推，便可消除網頁亂碼現象。 分析：因為繁體big5編碼后的文件，每個文字對應一個二進制流（假設是1212對應繁這個字），當我們以編碼gb2312顯示該網頁時，gb2312編碼會到表里去找1212（二進制流不會變的）對應誰，肯定不再是繁這個字了，當然顯示的就不再是那個繁字了，也就會出現亂碼了。這樣理解簡單些，其實中間還要轉換成同一字符對應的系統內部使用的 Unicode 編碼，然后通過系統底層unicode編碼還原成相應字符顯示出來。
推薦兩個編碼查詢網站：1.http://www.nengcha.com/code/ascii/
RFID管理系統集成商 RFID中間件 條碼系統中間層 物聯網軟件集成