中文编码、字符集，GBK, UTF-8的概念

字符集指的是什么？

字符集是一个人为的规定，人们用一个小册子规定好“文字字符”与“数字”的对应关系。

其中，每一个字符对应的数组也称其为编码。

例如，ASCII码表就是一个字符集

char 'A'  = 65，A的编码为65

char '0'  = 48，0的编码为48

字符集是由一些组织制定和发布的，如ISO/IEC就负责制定字符集。

每一个字符集都有一个标准编号，如ASCII字符集的编号为ISO/IEC 646。

【拉丁字符集（Latin）】

拉丁字符集：收录了欧洲各个国家的字符。例如，希腊字母， Α α， Β β

拉丁字符集的编号为ISO 8859系列

例如：ISO8859-1字符集，也就是 Latin-1，是西欧常用字符，包括德法两国的字母。

ISO8859-2字符集，也就是 Latin-2，收集了东欧字符。

注意：拉丁字符总数超过了256个，无法用一个char型表示，需要用2个字节。

所以即使不使用中文，外文字母的表示也有问题。

char a='α';//有问题

问题原因：无法用一个字节表示一个字符。

char str[]="α β";//五个字节存储->sizeof(str)

【中文字符集】

GB2312 中文简体国标码（汉字数：6763）

GBK 扩展中文GB编码（兼容GB2312）

GB18030 用1-4个字节编码，容量超大

BIG5 中文繁体编码

CJK 中日韩大字符集编码

Unicode　　统一码，用0-0x10FFFF映射全球各国的语言文字。

【GB2312/GBK】

双字节编码，每个字节的高位为1

不包含生僻字

对于人名、古汉语等方面出现的罕见字，GB2312不能处理，这导致了后来GBK以及GB 18030汉字字符集的出现

GBK兼容了GB2312，较为常用。

【Unicode】

国际组织制定的可以容纳世界上所有文字和符号的字符编码方案。

0-0x10FFFF（最多1114112个字符）

【问题】Unicode用几个字节来表示一个字符？

第一种方案：UFT-32编码

　　每个字符用一个int来表示

　　特点：简单，但太浪费空间

第二种方案:UTF-16编码

　　特点：用1-2个short来表示一个字符

第三种方案：UTF-8编码

　　用1-4个字节来表示一个字符（比较节省空间）