编码方案-unicode-utf-8

对中文来说，通常有三种编码方案可供选择：
    1. 用mbcs编码存储（gb2312/gbk/gb18030）。
    2. 用unicode编码存储。
    3. 用utf-8编码存储。
 先来看看mbcs，这个方案纯粹是为了中文而支持中文， 如果将来要兼容其他语言，mbcs函数都得重写，而且mbcs跟unicode的转换没有固定的公式，必须依赖于一张大表。用mbcs没有什么特别的好处，这个方案只能早早的就否决了。

下面我们从不同方面来比较一下unicode和utf-8各自的优势：

1. 内存空间。unicode对于每个字符都是2个字节，utf-8对英文是一个字节，对汉字是2个或3个字节。对于英文来说，utf-8占优，但在汉字占多数的情况下，unicode占优势。

2. 程序编写难度。unicode是定长类型，而utf-8是变长的.

3. 程序执行效率。unicode定长，utf-8变长。对于strlen，substr之类的操作， unicode很方便，utf-8却要从头到尾扫描，而且需要边扫描边判断字符长度。因此unicode比utf-8要快很多，但如果这种操作不是很多，效率影响也不会特别明显。

4. 现有程序的数量。unicode程序我们见得多了，但采用utf-8的程序也不少，gtk+就是。

5. 兼容性。英文的utf-8编码跟ascii完全一样 ，因此也兼容标准c库的字符串函数，如果不需要操作字符，完全不用关心语言。对于unicode，标准c库的字符串函数不能工作，字符串函数都得重写，常常用一个宏来控制在unicode和ascii直接切换（比如windows下的TCHAR）。

"c编译器支持wchar_t数据类型" --- wchar_t在C/C++是宽字符，而没有规定宽字符必须是ucs-2编码，VC的wchar_t是用ucs2编码 ，而其他编译器大部分用ucs4编码。
直接用unicode(ucs-2)存储的字符串比处理用utf-8存储的字符串快得多.

UTF是Unicode/UCS Transformation Format (通用字集/统一码变换格式)的缩写，UTF-8里的"8"指的是bits数。它是一种不等幅的编码方式。ASCII码保持原状，不需要转换，但是其它语言的字则需要多用一个或两个Bytes来编码。

GB2312 支持的汉字太少。1995年的汉字扩展规范GBK1.0 收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字符。2000年的 GB18030 是取代GBK1.0的正式国家标准。该标准收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。现在的PC平 台必须支持GB18030 ，对嵌入式产品暂不作要求。所以手机、MP3一般只支持GB2312。

问题一：
使用Windows记事本的“另存为”，可以在GBK、Unicode、Unicode big endian和UTF-8这几种编码方式间相互转换。同样是txt文件，Windows是怎样识别编码方式的呢？

我 很早前就发现Unicode、Unicode big endian和UTF-8编码的txt文件的开头会多出几个字节 ，分别是FF、FE（Unicode）,FE、FF（Unicode big endian）,EF、BB、BF（UTF-8）。但这些标记是基于什么标准呢？

0、big endian和little endian
big endian和little endian是CPU处理多字节数 的不同方式。例如“汉”字的Unicode编码是6C49。那么写到文件里时，究竟是将6C写在前面，还是将49写在前 面？如果将6C写在前面，就是big endian。还是将49写在前面，就是little endian。
 
1、字符编码、内码，顺带介绍汉字编码
字符必须编码后才能被计算机处理。计算机使用的缺省编码方式就是计算机的内码。早期的计算机使用7位的ASCII编码，为了处理汉字，程序员设计了用于简体中文的GB2312和用于繁体中文的big5。

从ASCII、GB2312、GBK 到GB18030 ，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文可以统一 地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼，GB2312、GBK到GB18030都属于双字节字符集 (DBCS)。

这里还有一些细节：

GB2312的原文还是区位码，从区位码到内码，需要在高字节和低字节上分别加上A0。

在DBCS中，GB内码的存储格式始终是big endian，即高位在前。

GB2312 的两个字节的最高位都是1。但符合这个条件的码位只有128*128=16384个。所以GBK和GB18030的低字节最高位都可能不是1。 不过这不影 响DBCS字符流的解析：在读取DBCS字符流时，只要遇到高位为1的字节，就可以将下两个字节作为一个双字节编码，而不用管低字节的高位是什么。

2、Unicode、UCS和UTF
前面提到从ASCII、GB2312、GBK到GB18030的编码方法是向下兼容的 。而Unicode只与ASCII兼容 ，与GB码不兼容。例如“汉”字的Unicode编码是6C49，而GB码是BABA。

Unicode 也是一种字符编码方法 ，不过它是由国际组织设计，可以容纳全世界所有语言文字的编码方案。Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。UCS可以看作是"Unicode Character Set"的缩写。

UCS规定了怎么用多个字节表示各种文字 。怎样传输这些编码，是由UTF(UCS Transformation Format)规范规定的，常见的UTF规范包括UTF-8、UTF-7、UTF-16。

3、UCS-2、UCS-4、BMP

UCS有两种格式：UCS-2和UCS-4。 顾名思义，UCS-2就是用两个字节编码，UCS-4就是用4个字节（实际上只用了31位，最高位必须为0）编码。下面让我们做一些简单的数学游戏：

UCS-2有2^16=65536个码位，UCS-4有2^31=2147483648个码位。

UCS -4根据最高位为0的最高字节分成2^7=128个group。每个group再根据次高字节分为256个plane。每个plane根据第3个字节分为 256行 (rows)，每行包含256个cells。当然同一行的cells只是最后一个字节不同，其余都相同。

group 0的plane 0被称作Basic Multilingual Plane, 即BMP。或者说UCS-4中，高两个字节为0的码位被称作BMP。

将UCS-4的BMP去掉前面的两个零字节就得到了UCS-2。在UCS-2的两个字节前加上两个零字节，就得到了UCS-4的BMP。而目前的UCS-4规范中还没有任何字符被分配在BMP之外。

4、UTF编码

UTF-8就是以8位为单元对UCS进行编码 。从UCS-2到UTF-8的编码方式如下：

UCS-2编码(16进制) UTF-8 字节流(二进制)
0000 - 007F 0xxxxxxx
0080 - 07FF 110xxxxx 10xxxxxx
0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx

例 如“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间，所以肯定要用3字节模板了：1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是：0110 110001 001001， 用这个比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。

读者可以用记事本测试一下我们的编码是否正确。

UTF- 16以16位为单元对UCS进行编码。对于小于0x10000的UCS码，UTF-16编码就等于UCS码对应的16位无符号整数。对于不小于 0x10000的UCS码，定义了一个算法。不过由于实际使用的UCS2，或者UCS4的BMP必然小于0x10000，所以就目前而言，可以认为UTF -16和UCS-2基本相同。但UCS-2只是一个编码方案，UTF-16却要用于实际的传输，所以就不得不考虑字节序的问题。

5、UTF的字节序和BOM
UTF -8以字节为编码单元，没有字节序的问题。UTF-16以两个字节为编码单元，在解释一个UTF-16文本前，首先要弄清楚每个编码单元的字节序。例如收 到一个“奎”的Unicode编码是594E，“乙”的Unicode编码是4E59。如果我们收到UTF-16字节流“594E”，那么这是“奎”还是 “乙”？

Unicode规范中推荐的标记字节顺序的方法是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte Order Mark。BOM是一个有点小聪明的想法：

在UCS 编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的编码是FEFF。而FFFE在UCS中是不存在的字符，所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前，先传输 字符"ZERO WIDTH NO-BREAK SPACE"。

这样如果接收者收到FEFF，就表明这个字节流是Big-Endian的；如果收到FFFE，就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。

UTF -8不需要BOM来表明字节顺序，但可以用BOM来表明编码方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8编码是EF BB BF（读者可以用我们前面介绍的编码方法验证一下）。所以如果接收者收到以EF BB BF开头的字节流，就知道这是UTF-8编码了。

Windows就是使用BOM来标记文本文件的编码方式的。
 
http://www.regexlab.com/zh/encoding.htm