字符是各種文字和符號的總稱，包括各國家文字、標點符號、圖形符號、數字等。字符集是多個字符的集合，字符集種類較多，每個字符集包含的字符個數不同，常見字符集名稱：ASCII字符集、GB2312字符集、BIG5字符集、 GB 18030字符集、Unicode字符集等。計算機要準確的處理各種字符集文字，需要進行字符編碼，以便計算機能夠識別和存儲各種文字。
中文文字數目大，而且還分為簡體中文和繁體中文兩種不同書寫規則的文字，而計算機最初是按英語單字節字符設計的，因此，對中文字符進行編碼，是中文信息交流的技術基礎。本文將按照字符集的時間順序討論幾種典型的字符集，選取幾種代表性的中文字符集，研究歷史由來、特點、技術特征。
漢字編碼范圍
名稱 第一字節 第二字節
GB2312 0xB0-0xF7(176-247) 0xA0-0xFE（160-254）
GBK 0x81-0xFE（129-254） 0x40-0xFE（64-254）
Big5 0x81-0xFE（129-255） 0x40-0x7E（64-126）
0xA1－0xFE（161-254）
ASCII 字符集
1．名稱的由來
ASCII（American Standard Code for Information Interchange，美國信息互換標準代碼）是基于羅馬字母表的一套電腦編碼系統。
2．特點
它主要用于顯示現代英語和其他西歐語言。它是現今最通用的單字節編碼系統，并等同于國際標準ISO 646。
3．包含內容
控制字符：回車鍵、退格、換行鍵等。
可顯示字符：英文大小寫字符、阿拉伯數字和西文符號
4．技術特征
7位（bits）表示一個字符，共128字符
5．ASCII擴展字符集
7位編碼的字符集只能支持128個字符，為了表示更多的歐洲常用字符對ASCII進行了擴展，ASCII擴展字符集使用8位（bits）表示一個字符，共256字符。
ASCII擴展字符集比ASCII字符集擴充出來的符號包括表格符號、計算符號、希臘字母和特殊的拉丁符號。
GB2312 字符集
1．名稱的由來
GB2312又稱為GB2312-80字符集，全稱為《信息交換用漢字編碼字符集·基本集》，由原中國國家標準總局發布，1981年5月1日實施。
2．特點
GB2312是中國國家標準的簡體中文字符集。它所收錄的漢字已經覆蓋99.75%的使用頻率，基本滿足了漢字的計算機處理需要。在中國大陸和新加坡獲廣泛使用。
3．包含內容
GB2312收錄簡化漢字及一般符號、序號、數字、拉丁字母、日文假名、希臘字母、俄文字母、漢語拼音符號、漢語注音字母，共 7445 個圖形字符。其中包括6763個漢字，其中一級漢字3755個，二級漢字3008個；包括拉丁字母、希臘字母、日文平假名及片假名字母、俄語西里爾字母在內的682個全角字符。
4．技術特征
（1）分區表示：
GB2312中對所收漢字進行了“分區”處理，每區含有94個漢字/符號。這種表示方式也稱為區位碼。
各區包含的字符如下：01-09區為特殊符號；16-55區為一級漢字，按拼音排序；56-87區為二級漢字，按部首/筆畫排序；10-15區及88-94區則未有編碼。
（2）雙字節表示
兩個字節中前面的字節為第一字節，后面的字節為第二字節。習慣上稱第一字節為“高字節” ，而稱第二字節為“低字節”。
“高位字節”使用了0xA1-0xF7 (把01-87區(88-94區未有編碼)的區號加上0xA0)，“低位字節”使用了0xA1-0xFE (把01-94加上0xA0)。
GB2312又稱國標碼，由國家標準總局發布，1981年5月1日實施，通行于大陸。新加坡等地也使用此編碼。它是一個簡化字的編碼規范，當然也包括其他的符號、字母、日文假名等，共7445個圖形字符，其中漢字占6763個。我們平時說6768個漢字，實際上里邊有5個編碼為空白，所以總共有6763個漢字。
GB2312規定“對任意一個圖形字符都采用兩個字節表示，每個字節均采用七位編碼表示”，習慣上稱第一個字節為“高字節”，第二個字節為“低字節”。GB2312中漢字的編碼范圍為，第一字節0xB0-0xF7(對應十進制為176-247)，第二個字節0xA0-0xFE（對應十進制為160-254）。
GB2312將代碼表分為94個區，對應第一字節（0xa1-0xfe）；每個區94個位（0xa1-0xfe），對應第二字節，兩個字節的值分別為區號值和位號值加32（2OH），因此也稱為區位碼。01-09區為符號、數字區，16-87區為漢字區（0xb0-0xf7），10-15區、88-94區是有待進一步標準化的空白區。
5．編碼舉例
以GB2312字符集的第一個漢字“啊”字為例，它的區號16，位號01，則區位碼是1601，在大多數計算機程序中，高字節和低字節分別加0xA0得到程序的漢字處理編碼0xB0A1。計算公式是：0xB0=0xA0+16, 0xA1=0xA0+1。“北京”的區位碼分別是：17 17 30 09 所以分別加上0xA0 0xA0 0xA0 0xA0,在內存中顯示的16進制是 B1 B1 BE A9
GBK 字符集
1．名稱的由來
GBK是GB2312的擴展，是向上兼容的，因此GB2312中的漢字的編碼與GBK中漢字的相同。另外，GBK中還包含繁體字的編碼，它與Big5編碼之間的關系我還沒有弄明白，好像是不一致的。
2. 特點
GBK中每個漢字仍然包含兩個字節，第一個字節的范圍是0x81-0xFE（即129-254），第二個字節的范圍是0x40-0xFE（即64-254）。GBK中有碼位23940個，包含漢字21003個。
BIG5 字符集
1．名稱的由來
又稱大五碼或五大碼，1984年由臺灣財團法人信息工業策進會和五間軟件公司宏碁 (Acer)、神通 (MiTAC)、佳佳、零壹 (Zero One)、大眾 (FIC)創立，故稱大五碼。
Big5碼的產生，是因為當時臺灣不同廠商各自推出不同的編碼，如倚天碼、IBM PS55、王安碼等，彼此不能兼容；另一方面，臺灣政府當時尚未推出官方的漢字編碼，而中國大陸的GB2312編碼亦未有收錄繁體中文字。
2．特點
Big5字符集共收錄13,053個中文字，該字符集在中國臺灣使用。耐人尋味的是該字符集重復地收錄了兩個相同的字：“兀”(0xA461及0xC94A)、“嗀”(0xDCD1及0xDDFC)。
3．字符編碼方法
Big5碼使用了雙字節儲存方法，以兩個字節來編碼一個字。第一個字節稱為“高位字節”，第二個字節稱為“低位字節”。高位字節的編碼范圍0xA1-0xF9，低位字節的編碼范圍0x40-0x7E及0xA1-0xFE。
各編碼范圍對應的字符類型如下：0xA140-0xA3BF為標點符號、希臘字母及特殊符號，另外于0xA259-0xA261，存放了雙音節度量衡單位用字：兙兛兞兝兡兣嗧瓩糎；0xA440-0xC67E為常用漢字，先按筆劃再按部首排序；0xC940-0xF9D5為次常用漢字，亦是先按筆劃再按部首排序。
4．Big5 的局限性
盡管Big5碼內包含一萬多個字符，但是沒有考慮社會上流通的人名、地名用字、方言用字、化學及生物科等用字，沒有包含日文平假名及片假名字母。
例如臺灣視“著”為“著”的異體字，故沒有收錄“著”字。康熙字典中的一些部首用字(如“亠”、“疒”、“辵”、“癶”等)、常見的人名用字(如“堃”、“煊”、“栢”、“喆”等) 也沒有收錄到Big5之中。
GB18030 字符集
1．名稱的由來
GB 18030的全稱是GB18030-2000《信息交換用漢字編碼字符集基本集的擴充》，是我國政府于2000年3月17日發布的新的漢字編碼國家標準，2001年8月31日后在中國市場上發布的軟件必須符合本標準
2．特點
GB 18030字符集標準的出臺經過廣泛參與和論證，來自國內外知名信息技術行業的公司，信息產業部和原國家質量技術監督局聯合實施。
GB 18030字符集標準解決漢字、日文假名、朝鮮語和中國少數民族文字組成的大字符集計算機編碼問題。該標準的字符總編碼空間超過150萬個編碼位，收錄了27484個漢字，覆蓋中文、日文、朝鮮語和中國少數民族文字。滿足中國大陸、香港、臺灣、日本和韓國等東亞地區信息交換多文種、大字量、多用途、統一編碼格式的要求。并且與Unicode 3.0版本兼容，填補Unicode擴展字符字匯“統一漢字擴展A”的內容。并且與以前的國家字符編碼標準（GB2312，GB13000.1）兼容。
3．編碼方法
GB 18030標準采用單字節、雙字節和四字節三種方式對字符編碼。單字節部分使用0×00至0×7F碼(對應于ASCII碼的相應碼)。雙字節部分，首字節碼從0×81至0×FE，尾字節碼位分別是0×40至0×7E和0×80至0×FE。四字節部分采用GB/T 11383未采用的0×30到0×39作為對雙字節編碼擴充的后綴，這樣擴充的四字節編碼，其范圍為0×81308130到0×FE39FE39。其中第一、三個字節編碼碼位均為0×81至0×FE，第二、四個字節編碼碼位均為0×30至0×39。
4．包含的內容
雙字節部分收錄內容主要包括GB13000.1全部CJK漢字20902個、有關標點符號、表意文字描述符13個、增補的漢字和部首/構件80個、雙字節編碼的歐元符號等。 四字節部分收錄了上述雙字節字符之外的，包括CJK統一漢字擴充A在內的GB 13000.1中的全部字符。
對漢字進行hash
為了處理漢字的方便，在查找漢字的時候，我們通常會用到hash的方法，那怎么來確定一個漢字位置呢？這就和每種編碼的排列有關了，這里主要給出一種hash函數的策略。
對于GB2312編碼，設輸入的漢字為GBword，我們可以采用公式(C1-176)*94 + (C2-161)確定GBindex。其中，C1表示第一字節，C2表示第二字節。具體如下：
GBindex = ((unsigned char)GBword.at(0)-176)*94 + (unsigned char)GBword.at(1) - 161;
之所以用unsigned char類型，是因為char是一個字節，如果用unsigend int，因為int是4個字節的，所以會造成擴展，導致錯誤。
對于GBK編碼，設輸入的漢字為GBKword，則可以采用公式 index=(ch1-0x81)*190+(ch2-0x40)-(ch2/128)，其中ch1是第一字節，ch2是第二字節。
具體的，
GBKindex = ((unsigned char)GBKword[0]-129)*190 +
((unsigned char)GBKword[1]-64) - (unsigned char)GBKword[1]/128;
怎樣判斷一個漢字的是什么編碼
直接根據漢字的編碼范圍判斷，對于GB2312和GBK可用下面兩個程序實現。
1、判斷是否是GB2312
bool isGBCode(const string& strIn)
{
unsigned char ch1;
unsigned char ch2;
if (strIn.size() >= 2)
{
ch1 = (unsigned char)strIn.at(0);
ch2 = (unsigned char)strIn.at(1);
if (ch1>=176 && ch1<=247 && ch2>=160 && ch2<=254)
return true;
else return false;
}
else return false;
}
2、判斷是否是GBK編碼
bool isGBKCode(const string& strIn)
{
unsigned char ch1;
unsigned char ch2;
if (strIn.size() >= 2)
{
ch1 = (unsigned char)strIn.at(0);
ch2 = (unsigned char)strIn.at(1);
if (ch1>=129 && ch1<=254 && ch2>=64 && ch2<=254)
return true;
else return false;
}
else return false;
}
3、對于Big5
它的范圍為：高字節從0xA0到0xFE，低字節從0x40到0x7E，和0xA1到0xFE兩部分。判斷一個漢字是否是BIG5編碼，可以如上對字符的編碼范圍判斷即可。如何定位呢？那么也想象所有編碼排列為一個二維坐標，縱坐標是高字節，橫坐標是低字節。這樣一行上的漢字個數：(0x7E-0x40+1)+(0xFE-0xA1+1)＝157。那么定位算法分兩塊，為:
if 0x40<=ch2<=0x7E: #is big5 char
index=((ch1-0xA1)*157+(ch2-0x40))*2
elif 0xA1<=ch2<=0xFE: #is big5 char
index=((ch1-0xA1)*157+(ch2-0xA1+63))*2
對于第二塊，計算偏移量時因為有兩塊數值，所以在計算后面一段值時，不要忘了前面還有一段值。0x7E-0x40+1=63。
如果判斷一個字符是西文字符還是中文字符
大家知道西文字符主要是指ASCII碼，它用一個字節表示。且這個字符轉換成數字之后，該數字是大于0的，而漢字是兩個字節的，第一個字節的轉化為數字之后應該是小于0的，因此可以根據每個字節轉化為數字之后是否小于0，判斷它是否是漢字。
例如，設輸入字為strin，則，
If (strin.at(0) < 0)
cout << ”是漢字” << endl;
else cout << ”不是漢字” << endl;
編碼表
Unicode字符集
1．名稱的由來
Unicode字符集編碼是Universal Multiple-Octet Coded Character Set 通用多八位編碼字符集的簡稱，是由一個名為 Unicode 學術學會(Unicode Consortium)的機構制訂的字符編碼系統，支持現今世界各種不同語言的書面文本的交換、處理及顯示。該編碼于1990年開始研發，1994年正式公布，最新版本是2005年3月31日的Unicode 4.1.0。
2．特征
Unicode是一種在計算機上使用的字符編碼。它為每種語言中的每個字符設定了統一并且唯一的二進制編碼，以滿足跨語言、跨平臺進行文本轉換、處理的要求。
3．編碼方法
Unicode 標準始終使用十六進制數字，而且在書寫時在前面加上前綴“U+”，例如字母“A”的編碼為 004116 和字符“?”的編碼為 20AC16。所以“A”的編碼書寫為“U+0041”。
4．UTF-8 編碼
UTF-8是Unicode的其中一個使用方式。 UTF是 Unicode Translation Format，即把Unicode轉做某種格式的意思。
UTF-8便于不同的計算機之間使用網絡傳輸不同語言和編碼的文字，使得雙字節的Unicode能夠在現存的處理單字節的系統上正確傳輸。
UTF-8使用可變長度字節來儲存 Unicode字符，例如ASCII字母繼續使用1字節儲存，重音文字、希臘字母或西里爾字母等使用2字節來儲存，而常用的漢字就要使用3字節。輔助平面字符則使用4字節。
5．UTF-16 和 UTF-32 編碼
UTF-32、UTF-16 和 UTF-8 是 Unicode 標準的編碼字符集的字符編碼方案，UTF-16 使用一個或兩個未分配的 16 位代碼單元的序列對 Unicode 代碼點進行編碼；UTF-32 即將每一個 Unicode 代碼點表示為相同值的 32 位整數
Ansi、Unicode、UTF8字符串之間的轉換和寫入文本文件
Ansi字符串我們最熟悉，英文占一個字節，漢字2個字節，以一個\0結尾，常用于txt文本文件
Unicode 字符串，每個字符(漢字、英文字母)都占2個字節，以2個連續的\0結尾，NT操作系統內核用的是這種字符串，常被定義為typedef unsigned short wchar_t;所以我們有時常會見到什么char*無法轉換為unsigned short*之類的錯誤，其實就是unicode
UTF8是Unicode一種壓縮形式，英文A在unicode中表示為0x0041，老外覺得這種存儲方式太浪費，因為浪費了50%的空間，于是就把英文壓縮成1個字節，成了utf8編碼，但是漢字在utf8中占3個字節，顯然用做中文不如 ansi合算，這就是中國的網頁用作ansi編碼而老外的網頁常用utf8的原因。
UTF8在還游戲里運用的很廣泛，比如WOW的lua腳本等
下面來說一下轉換，主要用代碼來說明吧
寫文件我用了CFile類，其實用FILE*之類的也是一樣，寫文件和字符串什么類別沒有關系，硬件只關心數據和長度
bool IsUTF8(const void* pBuffer, long size)
{
bool IsUTF8 = true;
unsigned char* start = (unsigned char*)pBuffer;
unsigned char* end = (unsigned char*)pBuffer + size;
while (start < end)
{
if (*start < 0x80) // (10000000): 值小于0x80的為ASCII字符
{
start++;
}
else if (*start < (0xC0)) // (11000000): 值介于0x80與0xC0之間的為無效UTF-8字符
{
IsUTF8 = false;
break;
}
else if (*start < (0xE0)) // (11100000): 此范圍內為2字節UTF-8字符
{
if (start >= end - 1)
break;
if ((start[1] & (0xC0)) != 0x80)
{
IsUTF8 = false;
break;
}
start += 2;
}
else if (*start < (0xF0)) // (11110000): 此范圍內為3字節UTF-8字符
{
if (start >= end - 2)
break;
if ((start[1] & (0xC0)) != 0x80 || (start[2] & (0xC0)) != 0x80)
{
IsUTF8 = false;
break;
}
start += 3;
}
else
{
IsUTF8 = false;
break;
}
}
return IsUTF8;
}
Ansi轉Unicode
介紹2種方法
void CConvertDlg::OnBnClickedButtonAnsiToUnicode()
{
// ansi to unicode
char* szAnsi = "abcd1234你我他";
//預轉換，得到所需空間的大小
int wcsLen = ::MultiByteToWideChar(CP_ACP, NULL, szAnsi, strlen(szAnsi), NULL, 0);
//分配空間要給'\0'留個空間，MultiByteToWideChar不會給'\0'空間
wchar_t* wszString = new wchar_t[wcsLen + 1];
//轉換
::MultiByteToWideChar(CP_ACP, NULL, szAnsi, strlen(szAnsi), wszString, wcsLen);
//最后加上'\0'
wszString[wcsLen] = '\0';
//unicode版的MessageBox API
::MessageBoxW(GetSafeHwnd(), wszString, wszString, MB_OK);
//接下來寫入文本
//寫文本文件，頭2個字節0xfeff，低位0xff寫在前
CFile cFile;
cFile.Open(_T("1.txt"), CFile::modeWrite | CFile::modeCreate);
//文件開頭
cFile.SeekToBegin();
cFile.Write("\xff\xfe", 2);
//寫入內容
cFile.Write(wszString, wcsLen * sizeof(wchar_t));
cFile.Flush();
cFile.Close();
delete[] wszString;
wszString =NULL;
//方法2
//設置當前地域信息，不設置的話，使用這種方法，中文不會正確顯示
//需要#include<locale.h>
setlocale(LC_CTYPE, "chs");
wchar_t wcsStr[100];
//注意下面是大寫S，在unicode中，代表后面是ansi字符串
//swprintf是sprintf的unicode版本
//格式的前面要加大寫L，代表是unicode
swprintf(wcsStr, L"%S", szAnsi);
::MessageBoxW(GetSafeHwnd(), wcsStr, wcsStr, MB_OK);
}
Unicode轉Ansi
也是2種方法
void CConvertDlg::OnBnClickedButtonUnicodeToAnsi()
{
// unicode to ansi
wchar_t* wszString = L"abcd1234你我他";
//預轉換，得到所需空間的大小，這次用的函數和上面名字相反
int ansiLen = ::WideCharToMultiByte(CP_ACP, NULL, wszString, wcslen(wszString), NULL, 0, NULL, NULL);
//同上，分配空間要給'\0'留個空間
char* szAnsi = new char[ansiLen + 1];
//轉換
//unicode版對應的strlen是wcslen
::WideCharToMultiByte(CP_ACP, NULL, wszString, wcslen(wszString), szAnsi, ansiLen, NULL, NULL);
//最后加上'\0'
szAnsi[ansiLen] = '\0';
//Ansi版的MessageBox API
::MessageBoxA(GetSafeHwnd(), szAnsi, szAnsi, MB_OK);
//接下來寫入文本
//寫文本文件，ANSI文件沒有BOM
CFile cFile;
cFile.Open(_T("1.txt"), CFile::modeWrite | CFile::modeCreate);
//文件開頭
cFile.SeekToBegin();
//寫入內容
cFile.Write(szAnsi, ansiLen * sizeof(char));
cFile.Flush();
cFile.Close();
delete[] szAnsi;
szAnsi =NULL;
//方法2
//和上面一樣有另一種方法
setlocale(LC_CTYPE, "chs");
char szStr[100];
//注意下面是大寫，在ansi中，代表后面是unicode字符串
//sprintf
sprintf(szStr, "%S", wszString);
::MessageBoxA(GetSafeHwnd(), szStr, szStr, MB_OK);
}
Unicode轉UTF8
void CConvertDlg::OnBnClickedButtonUnicodeToU8()
{
// unicode to UTF8
wchar_t* wszString = L"abcd1234你我他";
//預轉換，得到所需空間的大小，這次用的函數和上面名字相反
int u8Len = ::WideCharToMultiByte(CP_UTF8, NULL, wszString, wcslen(wszString), NULL, 0, NULL, NULL);
//同上，分配空間要給'\0'留個空間
//UTF8雖然是Unicode的壓縮形式，但也是多字節字符串，所以可以以char的形式保存
char* szU8 = new char[u8Len + 1];
//轉換
//unicode版對應的strlen是wcslen
::WideCharToMultiByte(CP_UTF8, NULL, wszString, wcslen(wszString), szU8, u8Len, NULL, NULL);
//最后加上'\0'
szU8[u8Len] = '\0';
//MessageBox不支持UTF8,所以只能寫文件
//接下來寫入文本
//寫文本文件，UTF8的BOM是0xbfbbef
CFile cFile;
cFile.Open(_T("1.txt"), CFile::modeWrite | CFile::modeCreate);
//文件開頭
cFile.SeekToBegin();
//寫BOM，同樣低位寫在前
cFile.Write("\xef\xbb\xbf", 3);
//寫入內容
cFile.Write(szU8, u8Len * sizeof(char));
cFile.Flush();
cFile.Close();
delete[] szU8;
szU8 =NULL;
}
UTF8轉UNICODE
void CConvertDlg::OnBnClickedButtonU8ToUnicode()
{
//UTF8 to Unicode
//由于中文直接復制過來會成亂碼，編譯器有時會報錯，故采用16進制形式
char* szU8 = "abcd1234\xe4\xbd\xa0\xe6\x88\x91\xe4\xbb\x96\x00";
//預轉換，得到所需空間的大小
int wcsLen = ::MultiByteToWideChar(CP_UTF8, NULL, szU8, strlen(szU8), NULL, 0);
//分配空間要給'\0'留個空間，MultiByteToWideChar不會給'\0'空間
wchar_t* wszString = new wchar_t[wcsLen + 1];
//轉換
::MultiByteToWideChar(CP_UTF8, NULL, szU8, strlen(szU8), wszString, wcsLen);
//最后加上'\0'
wszString[wcsLen] = '\0';
//unicode版的MessageBox API
::MessageBoxW(GetSafeHwnd(), wszString, wszString, MB_OK);
//寫文本同ansi to unicode
}