字符编码学习笔记 （一）
1.从Txt看起
新建一个Txt文件，输入字符“ab早”，选择菜单另存为，此时出现4个选项，见图1。
图1
这是四种不同的编码。
分别以这四种编码来保存文件，并用二进制编辑器查看生成的文件，可以得到如下的结果。
编码方式 |
用十六进制表示的文件内容 |
ANSI |
|
Unicode |
|
Unicode big endian |
|
UTF-8 |
|
图2
（一）ANSI
ANSI编码应该算是一套很庞大的体系。简体中文GB2312，繁体中文BIG5等都只是ANSI的一个代码页。
什么是代码页呢？打开Windows的控制面板->区域和语言，可以看到如下的选项。
图3
这里面每一个选项都是一个代码页。
也可以这么说，如果系统语言选择了中文（简体，中国），那么该系统中ANSI就代表GB2312编码。同理，选择中文（繁体，台湾），那么ANSI就代表BIG5编码。
做个小实验验证一下。在简体中文环境下，新建一个Txt文件输入“ab早”，另存为ANSI编码。切换语言环境为繁体中文（前提是装过对应的语言包），系统要求重启，确定。重启之后，打开之前保存的Txt文件。显示出来的内容变成了“ab�臁薄！�早’的GB2312编码是D4E7，‘�臁�的BIG5编码也是D4E7。这就验证了之前所说的，同样的数据用ANSI编码，在不同的系统语言环境下，被解释成了不同的字符。
另外，不论是ANSI编码的哪个代码页，都是兼容ASCII码的。也就是说，对于ASCII码中的128个字符，在ANSI中也是用一个字节表示。其它字符都是用两个字节表示的，并且这两个字节都是大于0x7F的。
（二）Unicode
Unicode可以编码大部分语言的大部分字符。在网上找资料的时候，有个问题一直在困扰着我。照理说，现在Unicode的编码范围是0-0x10FFFF，这已经是3个字节了，我疑惑的是为什么Unicode字符统一都是两个字节呢？
继续找资料。我得出的结论是此处的Unicode其实是Utf-16。好吧，大胆猜测，接下来还要小心求证。
求证之前，先来说说什么是Utf-8，Utf-16，Utf-32（下面简称Utf-x）。Unicode只规定了从数字到字符的对应关系，并没有规定具体的实现方法。因此Utf-x其实是Unicode的具体实现，当然也可以称为Unicode的再编码。从Unicode到Utf-x是有具体的映射关系的，而且是有规律的映射关系，可以用一个简单的函数来转换。
开始求证吧。从Unicode到Utf-x的详细映射方法，可点击最下面的链接（Unicode）查看。这里简要说说Utf-16是怎么映射的。Unicode编码共有21位，当高5位为0时，Unicode编码和Utf-16相同，此时在Utf-16编码中，一个字符占2个字节。当高5位不为0时，Unicode编码经过映射变成了4个字节的Utf-16编码，显然这时一个字符占4个字节。
先来验证高5位为0时的情况。之前已经试过，在Txt文件中输入‘ab早’，另存为UNICODE格式，用二进制编辑器查看，发现‘早’的编码是“E965”。在Unicode详细编码表中查找（下有链接），要注意这里存储方式是小尾的，也就是说‘早’的真正编码是65E9。
结果我就不贴了，‘早’字确实在编码表的那个位置。
再来验证高5位不为0时的情况。先找个Unicode编码大于0xFFFF的字符（有些范围内的字符显示出来都是方框，估计我的电脑上就没有这种字符）。用来做实验的字符见下图。
图4
选用编码为0x20001的那个字符（Word上显示不了这个字符，Txt上面倒是可以）。复制这个字符到Txt中，另存为Unicode，再用二进制编辑器打开。结果如下：
图5
编码后的长度是4个字节，这个已经对上了，再看看具体的值对不对。算吧！
1.U= 0x20001
2.U’= U �C 0x10000 = 0x10001 = 0001 0000 0000 0000 0001
3.Utf-16= 1101 1000 0100 0000 1101 1100 0000 0001 = 0xD840DC01
4.考虑到以小尾方式存储 Utf-16’ = 0x40D801DC
5.是不是和上图中的数字对上了啊！
现在大体上已经可以确认Txt中这个所谓的Unicode其实就是Utf-16，或者至少是一个和Utf-16兼容的编码。
最后说说FFFE和FEFF。可以看到当将Txt保存为Unicode编码的时候，不论大小尾，在正式字符编码开始之前，都会有FFFE或FEFF。这个是用来表示字节序的，FFFE是小尾字节序，FEFF是大尾字节序。
（三）Unicode big endian
除了字节序采用大尾之外，其它的都和Unicode一样。
（四）UTF-8
UTF-8也是UNICODE编码的一个具体实现方式。UTF-8的特点是变长编码（1~4个字节），对于0x00~0x7F之间的编码与ASCII码完全相同，而汉字一般情况下编码长度是3个字节。那么下面动手求求‘早’字的UTF-8编码是多少吧！
1.U = 0x65E9 = 01100101 1110 1001
2.套用第三个模板
3.Utf-8 = 11100110 1001 0111 1010 1001 = 0xE697A9
4.对照图 2，结果是对的。
此外可以发现，UTF-8格式的文件，在正式编码之前也有个标记，EFBBBF，这个是UTF-8文件头，用来告诉别人接下来的数据是UTF-8编码。
相关资料：
http://baike.baidu.com/link?url=lqme-rGBqK9t9DbwPv5tm-CDPXKaxYYIOMbrvZncYiRWgFEokJlMhJ8E-Yd7AVARfv0TY03-JrmHf_kKLek3Ta ----- ANSI
http://blog.csdn.net/xiongxiao/article/details/3741731 ----- 多种编码
http://baike.baidu.com/link?url=yxnWqjaIlBpMMenb3gmQtX5thFAds4ysiSgE-HS-lS8qwpsYNYrsdRLM8zrEKXou ----- 代码页
http://baike.baidu.com/link?url=Op9QHQGnv97slgXaB7YpEsEo_GW3KRfm-Nf202xELyCpcKHacc5xKUvlqvB2Hjlu ----- Unicode
http://zh.wikibooks.org/wiki/Unicode/0000-0FFF ----- Unicode详细编码表
http://wenku.baidu.com/link?url=3JS_YTGkFlNZjWSuJRJjdsD0qmddmNr8qV-f1ZzJKgWYdlCco4eDMVhSaA6Qswj_Fxdw69FB2WY2UmXeDDqtnaZUr82Edfag94LH_1v8RbO
----- GB2312编码表
http://wenku.baidu.com/link?url=9_KJEIm1skZsvmXAZIWyKP8hlybcyWtN7WqOHLYxwdsQMvAbaSRD8Gx4fMd3_PLypd6bmnMhgMmUmd3fq55S3Ip6FXF8D81aesZGkiQtOFS
----- BIG5编码表