字节是一个8位(bits)的物理存储单元。

 

字符是文化相关的符号。

 

 

 

 

 

ASCII（ANSI）

ASCII：American Standard Code for Information Interchange，美国信息互换标准代码。有时也称为ANSI。
这是一切的开端。

ASCII码随着第一台意义上的计算机一同诞生。

起初，它被编到了0~127，一共128个。包括33个控制字符和95个可打印字符。

后来计算机得到初步推广， 一些国家的字符也请求加入ASCII。

ASCII最终被扩展到了256个——0~127的"先辈"，与128~255的扩展字符集，共同组成了它

 

 

DBCS

DBCS：Double Byte Charecter Set ，双字节字符集。
它服务于中华民族。
“一个汉字顶俩个英文字符"这个"圣经”，就来源于此。

GB2312

当计算机走向世界时，什么"美帝信息互换标准代码"，肯定满足不了世界人民的要求了。

于是，中国人毫不留情的将ASCII的127之后的扩展字符集砍掉。并且规定：

当两个大于127的字符连在一起时，就表示一个汉字（▲）。前面的字节称为高字节，后面的字节称为低字节。
 
不行，美帝的标点符号我们也不用！英文字母和阿拉伯数字都要本土化！>_<

于是，将0~127中的英文字母、数字、标点符号全部重新编码，看作一种特殊的汉字———改为双字节

因此，这种编码方式中，字母、数字、标点符号是两种形态共存的———这就是半角与全角
 
理解： GB2312是ASCII最早的中文扩展，但是只包含了6000多个常用字，不包括繁体字。

 

GBK

汉字文化博大精深，不像256的ASCII就能承载英文。GB2312标准还不够。

于是，又规定，只要第一个字节(高字节)是大于127的，不管第二位(低字节)，它们都会共同表示一个汉字（▲）。

理解： GBK包含了GB2312的所有字符，并新加入了20000个汉字及汉字符号。(☑ 完全兼容GB2312)

 

GB18030

中国是一个统一的多民族的国家。字符编码自然要带上少数民族的文字。

理解： GB18030又基本包含了GBK的所有字符。(☑ 基本兼容GBK)

 

(★) 重点理解的 ↓

GB2312→GBK→GB18030，是后者(兼容)包含前者的关系。变化当然不止这些。

GB2312和GBK都是双字节编码（其实是单双并存，毕竟0~127的ASCII部分天生单字节）

GB18030则是一二四字节变长编码（每种长度分别对应ASCII部分、GBK部分、新增部分）

 
 
 
 
 
 

---

 

  于辚辚车声中，于瘦湖沙堤旁，于亭台烟雨里，于连亘*上——中国悠久历史、深远文化、多元民族、蓬勃生命，已然瓜瓞绵延了千载暑寒春秋。

  蔡候纸承载着的它们，递交给了千年后的我们。我们用电信号将这些信息永久的镌刻在了历史长卷上，寄放在了8比特的存储单元中，又递交给了，无限的未来。

 

---

 
 
 
 
 
 

unicode

意为universal，是字符集的大一统者。

世界上国家与民族众多，如果每种语言都像DBCS那样无情的砍掉ASCII的一部分，并不断向后追加字符…这是一件可怕的事情

因而unicode应运而生。
 
unicode是一个字符集(Character set)。也仅仅是一个字符集。它实现了二进制代码(通常用16进制表示)与字符的一一对应。

即数字与字符双向唯一的映射。（★）
 

下面给出一句我们获取曾经奉为真理的话，现在我们要彻彻底底的推翻它：

对于unicode码，每个字母、数字、符号，甚至中文，全部都占两个字节。

unicode仅仅是一个字符集，仅仅提供映射关系。至于怎样编码，如何占用字节…这与unicode毫无关系。 记住，毫无关系。

因此，这句话的语境从根本上就是一个极其错误的认知。
 

事实上，在unicode字符集出现后的很长一段时间内，unicode的实现方式是极其混乱的——数字与字符的映射虽然已经统一，但这个数字如何分配字节去存储？读取的时候又如何知道几个字节对应一个字符呢？

这是与unicode字符集完全不同层次的概念：unicode的实现方式，也称为编码方案
 
 
unicode的实现方式

UTF-8
 

Unicode编码(十六进制)	UTF-8 字节流(二进制)
000000-00007F	0xxxxxxx
000080-0007FF	110xxxxx 10xxxxxx
000800-00FFFF	1110xxxx 10xxxxxx 10xxxxxx
010000-10FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

不难看出UTF-8编码的特点：对不同范围的字符使用不同长度的编码。这也被称之为字节变长编码。

UTF-8存储字符，也就是存储字符映射的数字时，可以是1， 2， 3， 4字节长度

一般来说，欧洲字符是1~2个字节，亚洲字符是3个字节，附加字符是4个字节
 

UCS-2

UCS-2中，所有字符都是严格的16位长度，也就是所有字符长度都为2字节

极具误导性的狭义unicode，就是指的unicode的UCS-2实现方式（▲注意）
 

UTF-16

UTF-16是UCS-2中缺少的附加字符的补充。也就是说，是UCS-2的严格父集。

UTF-16中的字符是严格的16位或32位，也就是说，UTF-16的字符长度为严格的2字节或4字节

 
 

还有一个常见的认知错误：

unicode码只能表示65536个字符

这个错误认知的可怕之处在于，与"unicode所有字符都是2字节"完成了惊人而荒唐的自洽：2^16 = 65536

首先，unicode只是个字符集，说它的字符都占2个字节本来就是根本的认知错误；另外，unicode可以映射的字符，也远远不止65536个：

Unicode 目前规划的总空间是17个平面（平面0至16），0x0000 至 0x10FFFF。每个平面有 65536 个码点。

17个平面中，基本多文种平面（Basic Multilingual Plane，BMP，也就是第0平面）最为常见与重要

BMP平面内的字符，用utf-8方式实现，则占1~\3字节；用utf-16实现，则全部占2个字节；
超出BMP的部分(辅助平面的附加字符)，无论是utf-8还是utf-16，都是占4字节