UTF-8 GBK GB2312的区别

By [e-mail]

linux下开发的同志们，经常会遇到的字符集问题，总浪费时间还很纠结！

我在这里简单总结了一下，希望对你有帮助

大部分问题都是和中文相关导致的，至于其他语种的这里就不关注了。着重说GBX和UTF-8

0. UTF-8和GB系列都可以表示中文，只是内在表示方式不同而已

1. 这几种字符集，为了兼容ASCII，与原ASCII对应的那些字符的编码结果不变，即普通英文字符数字什么的，都还只是占一个字节！

2. 对于汉字，GB系列是双字节编码类的，每个汉字占两字节，而UTF-8需要用三个字节来表示

3. GB系列是逐渐扩展出来的，可表示的字符越来越多，GB2312 -> GBK -> GB18030...

4. UTF-8还有一个bom的问题，通常linux下默认创建的文件时不会加bom的，即utf-8无bom

   bom就是个文件头，多了几个字节用来标记本文件的类型，用于区分utf-16 utf-32...

 文件头 编码方式

 00 00 FE FF UTF-32, big-endian 

 FF FE 00 00 UTF-32, little-endian 

 FE FF UTF-16, big-endian 

 FF FE UTF-16, little-endian 

 EF BB BF UTF-8

PS:  纯文本文件，通常不带文件头来标记文件类型，而是需要编辑器来识别。

比如，纯英文的文件，让编辑器看来，实际上各字符集根本就没什么关系，因为此时各字符集对应的结果是一致的。

还不明白？自己看看吧，推荐好文：

http://www.blogjava.net/dreamstone/archive/2006/11/28/83936.html