字符编码（ASCII、GBK、UTF-8、ANSI）详解

一、ASCII

ASCII (American Standard Code for Information Interchange) - 美国信息交换标准代码

由于计算机最初只支持英文，最先出现的字符编码：ASCII 码。

ASCII 码采用 1 个字节编码，共定义了128个字符。

二、GB2312、GBK、GB18030、Big5

随着计算机的不断发展，支持简体中文的字符集包括：GB2312 、GBK 、GB18030、Big5（繁体）。

中文一般使用 2 个字节编码，字符编码集容量大小： GB2312 < GBK < GB18030。

1、GB2312

规定中文占 2 个字节，小于 127 的编码按 ASCII 标准解释字符，当 2 个大于 127 的字符连在一起时，表示 1 个汉字。

2、GBK

规定对收录的每个字符采用 2 个字节表示，对于 ASCII 中的字符占 1 个字节。

3、GB18030

在 GBK 的标准上不断扩展字符，GB18030 的编码使用 4 个字节，兼容 GBK、GB2312 及 ASCII 标准。

即便使用 GB18030 编码，在显示常用汉字时仍然是 2 个字节（用 GBK 或 GB2312 方式解码），英文字母是1个字节。

4、Big5

在台湾、香港等地区，使用较多的是 Big5 编码，它的主要特点是收录了繁体字。而从GBK 编码开始，已经把 Big5 中的所有汉字收录进编码了。

三、Unicode

可容纳世界所有文字符号的国际标准编码，Unicode 编码规定中文占 2 个字节，英文占 2 个字节。由 Unicode 编码方案衍变出 UTF-8、UTF-16、UTF32。

1、UTF-32

规定对 Unicode 字符集里的每个字符都用 4 字节来表示，因此 UTF-32 不兼容 ASCII 编码，也就是说 ASCII 编码的文件用 UTF-32 标准来打开会成为乱码。

优点：编码简单，解码也很方便，读取编码的时候每次都直接读 4 个字节，不需要加其它的判断。

缺点：浪费存储空间，不兼容ASCII码（一个英文字母要4个字节表示），在存储的时候需要指定字节顺序。

2、UTF-16

UTF-16 使用 2 或 4 个字节为每个字符编码，其中大部分汉字采用 2 个字节编码，少量不常用汉字采用 4 个字节编码。

缺点：仍不兼容 ASCII 码（一个英文字母要用2个字节来表示），仍有大小端格式问题。

3、UTF-8

如今有些中文网站也常用 GBK 编码，而不用 UTF-8 编码，因为 UTF-8 编码的中文字符占 3 个字节，造成资源浪费。

变长编码方式，编码有 1、2、3、4 字节长度的方式，每个 Unicode 字符根据自己的编号范围去进行对应的编码。

如果第一个字节的 bit 位以 0 开头，那就是 ASCII 字符（解决了ASCII码的兼容问题），以单字节进行解析；如果第一个字节的数据位以“110”开头，就按双字节进行解析，3、4 字节的解析方法类似。

优点：兼容了 ASCII 码，节约空间，且没有字节顺序的问题。

四、ANSI

ANSI码 (American National Standards Institute) - 美国国家标准学会标准码

ANSI 并不是某一种特定的字符编码，而是在不同的系统中，ANSI 表示不同的编码。如：在简体中文 Windows 操作系统中，ANSI 编码代表 GB2312 或 GBK 编码；在繁体中文 Windows 操作系统中，ANSI 编码代表 Big5。

【注意】：Java 源代码采用 Unicode 编码方式（不管是中文、英文都是用 2 个字节来表示），编译后的 .class（字节码文件），由于大部分是英文字符，Java 规定采用 UTF-8 保存，英文用 1 个字节表示，可以大量节省存储空间。