經(jīng)常我們打開外國(guó)網(wǎng)站的時(shí)候出現(xiàn)亂碼，又或者打開很多非英語的外國(guó)網(wǎng)站的時(shí)候，顯示的都是口口口口口的字符，
wordpress程序是用的UTF-8，很多cms用的是GB2312。
● 為什么有這么多編碼？
● utf-8和GB2312有什么區(qū)別？
● 我們在國(guó)內(nèi)做網(wǎng)站是用UTF-8編碼格式還是GB2312編碼格式好？
一.各種編碼的來歷
可能很多同學(xué)一直對(duì)字符的各種編碼方式懵懵懂懂，根本搞不清為什么他們有這么多編碼
==================================================================
ANSI編碼
其實(shí)在很久很久以前，有一群人，他們決定用8個(gè)可以開合的晶體管來組合成不同的狀態(tài)，以表示世界上的萬物。他們看到8個(gè)開關(guān)狀態(tài)是好的，于是他們把這稱為“字節(jié)”。
開始計(jì)算機(jī)只在美國(guó)用。八位的字節(jié)一共可以組合出256（2的8次方）種不同的狀態(tài)。
他們把其中的編號(hào)從0開始的32種狀態(tài)分別規(guī)定了特殊的用途，一但終端、打印機(jī)遇上約定好的這些字節(jié)被傳過來時(shí)，就要做一些約定的動(dòng)作。
遇上00×10, 終端就換行，遇上0×07, 終端就向人們嘟嘟叫，例好遇上0×1b, 打印機(jī)就打印反白的字，或者終端就用彩色顯示字母。他們看到這樣很好，于是就把這些0×20以下的字節(jié)狀態(tài)稱為"控制碼"。
他們又把所有的空格、標(biāo)點(diǎn)符號(hào)、數(shù)字、大小寫字母分別用連續(xù)的字節(jié)狀態(tài)表示，一直編到了第127號(hào)，這樣計(jì)算機(jī)就可以用不同字節(jié)來存儲(chǔ)英語的文字了。大家看到這樣，都感覺很好，于是大家都把這個(gè)方案叫做 ANSI 的"Ascii"編碼（American Standard Code for Information Interchange，美國(guó)信息互換標(biāo)準(zhǔn)代碼）。當(dāng)時(shí)世界上所有的計(jì)算機(jī)都用同樣的ASCII方案來保存英文文字。
====================================================================
擴(kuò)展ANSI編碼
后來，就像建造巴比倫塔一樣，世界各地的都開始使用計(jì)算機(jī)，但是很多國(guó)家用的不是英文，他們的字母里有許多是ASCII里沒有的，為了可以在計(jì)算機(jī)保存他們的文字，他們決定采用127號(hào)之后的空位來表示這些新的字母、符號(hào)，還加入了很多畫表格時(shí)需要用下到的橫線、豎線、交叉等形狀，一直把序號(hào)編到了最后一個(gè)狀態(tài)255。從128到255這一頁的字符集被稱“擴(kuò)展字符集”。從此之后，貪婪的人類再?zèng)]有新的狀態(tài)可以用了，美國(guó)當(dāng)時(shí)估計(jì)也沒想到還有別的國(guó)家要用計(jì)算機(jī)的。
====================================================================
GB2312編碼
當(dāng)天朝人們得到計(jì)算機(jī)時(shí)，已經(jīng)沒有可以利用的字節(jié)狀態(tài)來表示漢字，況且有6000多個(gè)常用漢字需要保存呢。天朝人民就不客氣地把那些127號(hào)之后的奇異符號(hào)們直接取消掉。
規(guī)定：一個(gè)小于127的字符的意義與原來相同，但兩個(gè)大于127的字符連在一起時(shí)，就表示一個(gè)漢字，前面的一個(gè)字節(jié)（他稱之為高字節(jié)）從0xA1用到0xF7，后面一個(gè)字節(jié)（低字節(jié)）從0xA1到0xFE，這樣我們就可以組合出大約7000多個(gè)簡(jiǎn)體漢字了。
在這些編碼里，我們還把數(shù)學(xué)符號(hào)、羅馬希臘的字母、日文的假名們都編進(jìn)去了，連在 ASCII 里本來就有的數(shù)字、標(biāo)點(diǎn)、字母都統(tǒng)統(tǒng)重新編了兩個(gè)字節(jié)長(zhǎng)的編碼，這就是常說的“全角”字符，而原來在127號(hào)以下的那些就叫"半角"字符了。于是就把這種漢字方案叫做 “GB2312”。GB2312 是對(duì) ASCII 的中文擴(kuò)展。
=====================================================================
GBK 和 GB18030編碼
但是天朝的漢字太多了，我們很快就就發(fā)現(xiàn)有許多人的人名沒有辦法在這里打出來，特別是某些天朝領(lǐng)導(dǎo)的名字要是打不出很麻煩的。于是我們不得不繼續(xù)把 GB2312 沒有用到的碼位找出來老實(shí)不客氣地用上。
后來還是不夠用，于是干脆不再要求低字節(jié)一定是127號(hào)之后的內(nèi)碼，只要第一個(gè)字節(jié)是大于127就固定表示這是一個(gè)漢字的開始，不管后面跟的是不是擴(kuò)展字符集里的內(nèi)容。結(jié)果擴(kuò)展之后的編碼方案被稱為 GBK 標(biāo)準(zhǔn)，GBK 包括了 GB2312 的所有內(nèi)容，同時(shí)又增加了近20000個(gè)新的漢字（包括繁體字）和符號(hào)。
后來少數(shù)民族也要用電腦了，于是我們?cè)贁U(kuò)展，又加了幾千個(gè)新的少數(shù)民族的字，GBK 擴(kuò)成了 GB18030。從此之后，天朝民族的文化就可以在計(jì)算機(jī)時(shí)代中傳承了。
在這個(gè)標(biāo)準(zhǔn)里，最大的特點(diǎn)是兩字節(jié)長(zhǎng)的漢字字符和一字節(jié)長(zhǎng)的英文字符并存于同一套編碼方案里，因此他們寫的程序?yàn)榱酥С种形奶幚恚仨氁⒁庾执锏拿恳粋€(gè)字節(jié)的值，如果這個(gè)值是大于127的，那么就認(rèn)為一個(gè)雙字節(jié)字符集里的字符出現(xiàn)了。
那時(shí)候凡是受過編程學(xué)習(xí)的程序員都要每天念下面這個(gè)咒語數(shù)百遍的折磨：
“一個(gè)漢字算兩個(gè)英文字符！一個(gè)漢字算兩個(gè)英文字符……”
====================================================================
UNICODE編碼
因?yàn)楫?dāng)時(shí)各個(gè)國(guó)家都像天朝這樣搞出一套自己的編碼標(biāo)準(zhǔn)，結(jié)果互相之間誰也不懂誰的編碼，誰也不支持別人的編碼，連大陸和臺(tái)灣這樣只相隔了150海里，使用著同一種語言的兄弟地區(qū)，也分別采用了不同的編碼方案：
當(dāng)時(shí)的天朝人想讓電腦顯示漢字，就必須裝上一個(gè)“漢字系統(tǒng)”。專門用來處理漢字的顯示、輸入的問題，
但是那個(gè)裝臺(tái)灣的人士寫的程序就必須加裝另一套支持 BIG5 編碼的“倚天漢字系統(tǒng)”才可以用，裝錯(cuò)了字符系統(tǒng)，顯示就會(huì)亂了套！這怎么辦？而且世界民族中還有那些暫時(shí)用不上電腦的窮苦人民，他們的文字又怎么辦？
正在這時(shí)，天使及時(shí)出現(xiàn)了——一個(gè)叫 ISO （國(guó)際標(biāo)誰化組織）的國(guó)際組織決定著手解決這個(gè)問題。他們采用的方法很簡(jiǎn)單：廢了所有的地區(qū)性編碼方案，重新搞一個(gè)包括了地球上所有文化、所有字母和符號(hào)的編碼！他們打算叫它 UCS, 俗稱 UNICODE 。（ Universal Multiple-Octet Coded Character Set ）
在UNICODE 中，一個(gè)漢字算兩個(gè)英文字符的時(shí)代已經(jīng)快過去了。
無論是半角的英文字母，還是全角的漢字，它們都是統(tǒng)一的“一個(gè)字符”！同時(shí)，也都是統(tǒng)一的“兩個(gè)字節(jié)"”
===================================================================
UTF-8和UTF-16
UNICODE 來到時(shí)，一起到來的還有計(jì)算機(jī)網(wǎng)絡(luò)的興起，UNICODE 如何在網(wǎng)絡(luò)上傳輸也是一個(gè)必須考慮的問題，于是面向傳輸?shù)谋姸?span lang="EN-US"> UTF（UCS Transfer Format）標(biāo)準(zhǔn)出現(xiàn)了，顧名思義，UTF8就是每次8個(gè)位傳輸數(shù)據(jù)，而UTF16就是每次16個(gè)位，只不過為了傳輸時(shí)的可靠性，從UNICODE到UTF時(shí)并不是直接的對(duì)應(yīng)，而是要過一些算法和規(guī)則來轉(zhuǎn)換。
====================================================================
未來的UCS-4
如前所述，UNICODE 是用兩個(gè)字節(jié)來表示為一個(gè)字符，他總共可以組合出65535不同的字符，這大概已經(jīng)可以覆蓋世界上所有文化的符號(hào)。如果還不夠也沒有關(guān)系，ISO已經(jīng)準(zhǔn)備了UCS-4方案，說簡(jiǎn)單了就是四個(gè)字節(jié)來表示一個(gè)字符，這樣我們就可以組合出21億個(gè)不同的字符出來（最高位有其他用途），這大概可以用到天朝成立銀河聯(lián)邦成立那一天吧！
二.為什么有些網(wǎng)站打開有時(shí)候會(huì)是亂碼
網(wǎng)頁亂碼是瀏覽器（如IE等）對(duì)HTML網(wǎng)頁解釋時(shí)形成的。
如果在瀏覽網(wǎng)站網(wǎng)頁的代碼寫錯(cuò)語系（比較少見），有形如：
<HTML>
<HEAD>
<META CONTENT=“text/html；charset=ISO-8859-1”></HEAD>……
</HTML>
的語句，瀏覽器在顯示此頁時(shí)，就會(huì)出現(xiàn)亂碼。因?yàn)闉g覽器會(huì)將此頁語種辨認(rèn)為“歐洲語系”
解決的辦法是將語種“ISO-8859-1”改為GB2312，如果是繁體網(wǎng)頁則改為BIG5。
==========================================================
還有一種可能比較大
就是網(wǎng)頁并沒有標(biāo)明他用的是何種語系，即沒有
<META CONTENT=“text/html；charset=XXXXX“>，這一行
而你的計(jì)算機(jī)默認(rèn)也不是這種語系，比方我們?cè)L問某些日文網(wǎng)站，經(jīng)常出現(xiàn)這個(gè)問題。這個(gè)主要是由于程序員是面向當(dāng)?shù)氐娜碎_發(fā)的網(wǎng)站，由于當(dāng)?shù)囟际悄J(rèn)語系，所以沒有亂碼種情況，而你是外來人，你的操作系統(tǒng)本身默認(rèn)不是當(dāng)?shù)氐恼Z系。所以要手動(dòng)改語系。
============================================================
至于出現(xiàn)口口口口口口這種情況
這是由于網(wǎng)站并沒有采用UTF-8編碼而是采用的當(dāng)?shù)氐木幋a，如蒙古語的，阿拉伯語的編碼，你的計(jì)算機(jī)中并沒有這種編碼，所以不能識(shí)別。
解決辦法是，事先為瀏覽器安裝多語言支持包（例如在安裝IE時(shí)要安裝多語言支持包），這樣在瀏覽網(wǎng)頁出現(xiàn)亂碼時(shí)，就可以在瀏覽器中選擇菜單欄下的“查看”/“編碼”/“自動(dòng)選擇”/蒙古），如為繁體中文則選擇“查看”/“編碼”/“自動(dòng)選擇”/阿拉伯語，其它語言依此類推選擇相應(yīng)的語系，這樣可消除網(wǎng)頁亂碼現(xiàn)象。
三.目前開發(fā)網(wǎng)站用什么編碼比較好
我們一般通俗的理解為：
utf-8是世界性通用代碼，也完美的支持中文編碼，如果我們做的網(wǎng)站能讓國(guó)外用戶正常的訪問，就最好用utf-8。
GB2312屬于中文編碼，主要針對(duì)國(guó)內(nèi)用戶使用，如果國(guó)外用戶訪問GB2312編碼的網(wǎng)站就會(huì)變亂碼。
網(wǎng)友的反饋一般覺得是用utf-8比GB2312要多很多，大家都比較贊同用utf-8
從一張外國(guó)網(wǎng)站的調(diào)查也可看得出
由此圖可以看出，2001-2008年期間，GB2312編碼的使用情況雖然幅度不大，但還是在穩(wěn)定上升的；藍(lán)色的線表示出用UTF-8的網(wǎng)站越來越多了。
我挑選了國(guó)內(nèi)部分幾個(gè)大的門戶網(wǎng)站，看看他們用的是哪種編碼格式：
也學(xué)有同學(xué)就會(huì)問了為什么國(guó)內(nèi)幾個(gè)網(wǎng)站用GB2312反而更多些呢。
我也對(duì)這個(gè)疑問進(jìn)行了思考，我覺得。應(yīng)該有3種原因
===================================================================
1. 國(guó)內(nèi)這些網(wǎng)站本身歷史也比較長(zhǎng)，開始使用的就是 GB2312編碼，現(xiàn)在改成 UTF-8（以前的網(wǎng)頁）轉(zhuǎn)換的難度和風(fēng)險(xiǎn)太大。
2. UTF-8編碼的文件比GB2312更占空間一些，雖然目前的硬件環(huán)境下可以忽略，但是這些門戶網(wǎng)站為了減少服務(wù)器負(fù)載基本上所有的頁面都生成了靜態(tài)頁，UTF-8保存起來文件會(huì)比較大，對(duì)于門戶級(jí)別的網(wǎng)站每天生成的文件量還是非常巨大，帶來的存儲(chǔ)成本相應(yīng)提高。
3. 由于UTF-8的編碼比GB2312解碼的網(wǎng)絡(luò)傳輸數(shù)據(jù)量要大，對(duì)于門戶級(jí)別的網(wǎng)站來說。這個(gè)無形之間就要增大帶寬，用GB2312對(duì)網(wǎng)絡(luò)流量無疑是最好的優(yōu)化。
====================================================================
所以在新做站的情況下，建議還是選擇UTF-8比較好。因?yàn)闆]有上面那些原因，兼容為上策。
除非注明，本博客文章均為原創(chuàng)，轉(zhuǎn)載請(qǐng)以鏈接形式標(biāo)明本文地址
本文鏈接地址: http://www.9fun.org/archives/183.html