ASCII，Unicode，Unicode big endian，UTF-8的字符编码关系

刚刚看了《汉化教学文集2006》中的几篇文章，谈到了字符编码问题。终于明白了ASCII，Unicode，Unicode big endian，UTF-8的关系。

ASCII：学过计算机基础的都知道，8bits的英文编码。实际只用低7位，127个字符，32（0x20）为空格，之前是控制字符，之后是有效字符。当>128时，需要使用代码页（code page）来确定表示的字符。在保存文件时一般ANSI项就是指它。

Unicode：使用两个字节对全球字符进行统一编码，有65536个编码。学名“UCS”——“Universal Multiple-Octet Coded Character Set”.UCS-2为两字节版本，UCS－4为四字节版本，目前两个版本内容是一样的（字符数还没超过2个字节能表示的范围）。

Unicode little endian：将Unicode中表示同一个字符的两个字节顺序返过来。主要目的是为了适应CPU处理字符的方式，加快处理速度。在Windows上为Unicode的默认存储方式（记事本保存对话框中的那个“Unicode”就是这个）。

Unicode big endian：Unicode字符编码以正序存储。非默认。

引用一段原文：

// “endian”这个词出自《格列佛游记》。小人国的内战就源于吃鸡蛋时是究竟从大头(Big-Endian)敲开还是从小头(Little-Endian)敲开，由此曾发生过六次叛乱，一个皇帝送了命，另一个丢了王位。

我们一般将endian翻译成“字节序”，将big endian和little endian称作“大尾”和“小尾”。 //

应该可以说明问题。

UTF-8：Unicode的一种传输及存储方式，主要是为了消除编码中那些0x0000的字节和减少存储英文时所占用的空间。

以下是Unicode（UCS-4）和UTF-8之间的转换关系表：
U-00000000 - U-0000007F: 0xxxxxxx
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

Unicode编码转换到UTF-8,简单的把Unicode字节流套到x中就变成UTF-8了。

BMP：Basic Multilingual Plane，UCS-4中0x0000----这些字符。

引用一下原文：
// 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（引注：即第一个字节）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。 //

BOM：Byte Order Mark，字节序，用以区分Unicode little endian与Unicode big endian。即使用名为"ZERO WIDTH NO-BREAK SPACE"的字符“0xFEFF”传输及存储时首先处理该字符。若读到FEFF，就表明这个字节流是Big-Endian的；而如果是FFFE，就表明这个字节流是Little-Endian的。

以下为引用：
// UTF-8不需要它来表明字节顺序，但但可以用BOM来表明编码方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8编码是EF BB BF。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。

区位码与GB2312之间的关系：
引用原文：
// 再说区位码，啊的区位码是1601，写成16进制是0x10,0x01。这和计算机广泛使用的ASCII编码冲突。为了兼容00-7f的ASCII编码，我们在区位码的高、低字节上分别加上A0。这样“啊”的编码就成为B0A1。我们将加过两个A0的编码也称为GB2312编码，虽然GB2312的原文根本没提到这一点。 //

[原文来源 ：http://www.loboog.com/article.asp?id=11]
[本文遵循创作共用协议，转载请注明出处 ：然而不已]