关于中文字符集的一些理解

常见的中文字符集有：GB2312、GBK、BIG5、UTF-8、UCS2、UTF-16等。

GB2312是简体中文字符集的编码。

 

GBK是GB2312的超集，即GB2312中的所有中文字符编码在GBK中都保持不变，另外GBK还包含有GB2312中没有编码的中文字符。

 

BIG5码是繁体中文字符集的编码。

 

UTF-8是UNICODE的一种编码形式，我们所说的UNICODE是指将全世界所有的字符收集起来统一编码，这种编码只是给每个字符一个序号，但是计算机中保存UNICODE中的字符时很多时候并不是就按其原始序号保存的，典型的情况是UTF-8，它对UNICODE的字符序号采用可变长的编码方案，这样就使得英文字符能够用一个字节表示，而其他的字符用2个甚至更多的字节表示。

 

UTF-16可看成UCS2的父集，这两种字符集编码中，绝大部分的UNICODE字符都是直接用2个字节表示其UNICODE字符序号的，但是两者有一些区别：

UNICODE字符的序号是0x00000~0x10FFFF，UCS2无法表示全部的UNICODE字符。

UTF-16使得绝大部分的UNICODE字符用2个字节表示，其他的极少用的字符用4个字节表示。

在UTF-16编码规则中，0xD800~0xDFFF不用于两个字节的字符表示，只用于4个字节的字符表示，这样就保证能够根据第一个字节区分该字符是2个字节的UTF-16编码还是4个字节的UTF-16编码。

UCS2中0xD800~0xDFFF是用于表示UNICODE字符的，所以这是两者不同的地方。