精华内容
下载资源
问答
  • utf8和gbk的区别

    2021-03-31 15:19:37
    UTF-8:Unicode TransformationFormat-8bit,是用以解决国际上字符的一种多字节编码,它对英文使用8位(即一个字节),中文使用24为(三个字节)来编码。UTF-8包含全世界所有国家...GBK的文字编码是用双字节来表示的,

    UTF-8:Unicode TransformationFormat-8bit,是用以解决国际上字符的一种多字节编码,它对英文使用8位(即一个字节),中文使用24为(三个字节)来编码。UTF-8包含全世界所有国家需要用到的字符,是国际编码,通用性强。UTF-8编码的文字可以在各国支持UTF8字符集的浏览器上显示。如,如果是UTF8编码,则在外国人的英文IE上也能显示中文,他们无需下载IE的中文语言支持包。

    GBK:国家标准GB2312基础上扩容后兼容GB2312的标准。GBK的文字编码是用双字节来表示的,即不论中、英文字符均使用双字节来表示,为了区分中文,将其最高位都设定成1。GBK包含全部中文字符,是国家编码,通用性比UTF8差,不过UTF8占用的数据库比GBK大。

     

    展开全文
  • MySQL中涉及几个字符集character-set-server/default-character-set:服务器字符集,默认情况下所采用...所以一般情况下只需要设置character-set-server,而在创建数据库表时不特别指定字符集,这样统一采用ch...

    MySQL中涉及的几个字符集

    character-set-server/default-character-set:服务器字符集,默认情况下所采用的。

    character-set-database:数据库字符集。

    character-set-table:数据库表字符集。

    优先级依次增加。所以一般情况下只需要设置character-set-server,而在创建数据库和表时不特别指定字符集,这样统一采用character-set-server字符集。

    character-set-client:客户端的字符集。客户端默认字符集。当客户端向服务器发送请求时,请求以该字符集进行编码。

    character-set-results:结果字符集。服务器向客户端返回结果或者信息时,结果以该字符集进行编码。

    在客户端,如果没有定义character-set-results,则采用character-set-client字符集作为默认的字符集。所以只需要设置character-set-client字符集。

    要处理中文,则可以将character-set-server和character-set-client均设置为GB2312,如果要同时处理多国语言,则设置为UTF8。

    关于MySQL的中文问题

    解决乱码的方法是,在执行SQL语句之前,将MySQL以下三个系统参数设置为与服务器字符集character-set-server相同的字符集。

    character_set_client:客户端的字符集。

    character_set_results:结果字符集。

    character_set_connection:连接字符集。

    设置这三个系统参数通过向MySQL发送语句:set names gb2312

    关于GBK、GB2312、UTF8

    UTF-8:Unicode Transformation Format-8bit,允许含BOM,但通常不含BOM。是用以解决国际上字符的一种多字节编码,它对英文使用8位(即一个字节),中文使用24为(三个字节)来编码。UTF-8包含全世界所有国家需要用到的字符,是国际编码,通用性强。UTF-8编码的文字可以在各国支持UTF8字符集的浏览器上显示。如,如果是UTF8编码,则在外国人的英文IE上也能显示中文,他们无需下载IE的中文语言支持包。

    GBK是国家标准GB2312基础上扩容后兼容GB2312的标准。GBK的文字编码是用双字节来表示的,即不论中、英文字符均使用双字节来表示,为了区分中文,将其最高位都设定成1。GBK包含全部中文字符,是国家编码,通用性比UTF8差,不过UTF8占用的数据库比GBD大。

    GBK、GB2312等与UTF8之间都必须通过Unicode编码才能相互转换:

    GBK、GB2312--Unicode--UTF8

    UTF8--Unicode--GBK、GB2312

    对于一个网站、论坛来说,如果英文字符较多,则建议使用UTF-8节省空间。不过现在很多论坛的插件一般只支持GBK。

    GB2312是GBK的子集,GBK是GB18030的子集

    GBK是包括中日韩字符的大字符集合

    如果是中文的网站 推荐GB2312 GBK有时还是有点问题

    为了避免所有乱码问题,应该采用UTF-8,将来要支持国际化也非常方便

    UTF-8可以看作是大字符集,它包含了大部分文字的编码。

    使用UTF-8的一个好处是其他地区的用户(如香港台湾)无需安装简体中文支持就能正常观看你的文字而不会出现乱码。

    gb2312是简体中文的码

    gbk支持简体中文及繁体中文

    big5支持繁体中文

    utf-8支持几乎所有字符

    首先分析乱码的情况1.写入数据库时作为乱码写入

    2.查询结果以乱码返回

    究竟在发生乱码时是哪一种情况呢?

    我们先在mysql 命令行下输入

    show variables like '%char%';

    查看mysql 字符集设置情况:

    mysql> show variables like '%char%';

    +--------------------------+----------------------------------------+

    | Variable_name | Value |

    +--------------------------+----------------------------------------+

    | character_set_client | gbk |

    | character_set_connection | gbk |

    | character_set_database | gbk |

    | character_set_filesystem | binary |

    | character_set_results | gbk |

    | character_set_server | gbk |

    | character_set_system | utf8 |

    | character_sets_dir | /usr/local/mysql/share/mysql/charsets/ |

    +--------------------------+----------------------------------------+

    在查询结果中可以看到mysql 数据库系统中客户端、数据库连接、数据库、文件系统、查询

    结果、服务器、系统的字符集设置

    在这里,文件系统字符集是固定的,系统、服务器的字符集在安装时确定,与乱码问题无关

    乱码的问题与客户端、数据库连接、数据库、查询结果的字符集设置有关

    *注:客户端是看访问mysql 数据库的方式,通过命令行访问,命令行窗口就是客户端,通

    过JDBC 等连接访问,程序就是客户端

    我们在向mysql 写入中文数据时,在客户端、数据库连接、写入数据库时分别要进行编码转

    在执行查询时,在返回结果、数据库连接、客户端分别进行编码转换

    现在我们应该清楚,乱码发生在数据库、客户端、查询结果以及数据库连接这其中一个或多

    个环节

    接下来我们来解决这个问题

    在登录数据库时,我们用mysql --default-character-set=字符集-u root -p 进行连接,这时我们

    再用show variables like '%char%';命令查看字符集设置情况,可以发现客户端、数据库连接、

    查询结果的字符集已经设置成登录时选择的字符集了

    如果是已经登录了,可以使用set names 字符集;命令来实现上述效果,等同于下面的命令:

    set character_set_client = 字符集

    set character_set_connection = 字符集

    set character_set_results = 字符集

    如果是通过JDBC 连接数据库,可以这样写URL:

    URL=jdbc:mysql://localhost:3306/abs?useUnicode=true&characterEncoding=字符集

    JSP 页面等终端也要设置相应的字符集

    数据库的字符集可以修改mysql 的启动配置来指定字符集,也可以在create database 时加上

    default character set 字符集来强制设置database 的字符集

    通过这样的设置,整个数据写入读出流程中都统一了字符集,就不会出现乱码了

    为什么从命令行直接写入中文不设置也不会出现乱码?

    可以明确的是从命令行下,客户端、数据库连接、查询结果的字符集设置没有变化

    输入的中文经过一系列转码又转回初始的字符集,我们查看到的当然不是乱码

    但这并不代表中文在数据库里被正确作为中文字符存储

    举例来说,现在有一个utf8 编码数据库,客户端连接使用GBK 编码,connection 使用默认

    的ISO8859-1(也就是mysql 中的latin1),我们在客户端发送“中文”这个字符串,客户端

    将发送一串GBK 格式的二进制码给connection 层,connection 层以ISO8859-1 格式将这段

    二进制码发送给数据库,数据库将这段编码以utf8 格式存储下来,我们将这个字段以utf8

    格式读取出来,肯定是得到乱码,也就是说中文数据在写入数据库时是以乱码形式存储的,

    在同一个客户端进行查询操作时,做了一套和写入时相反的操作,错误的utf8 格式二进制

    码又被转换成正确的GBK 码并正确显示出来。

    展开全文
  • 第一节:UTF-8和GBK编码概述UTF-8 (8-bit Unicode Transformation Format)是一种针对Unicode可变长度字符编码,又称万国码,它包含全世界所有国家需要用到字符,是国际编码,通用性强,是用以解决国际上字符一...

    第一节:UTF-8和GBK编码概述

    UTF-8 (8-bit Unicode Transformation Format)是一种针对Unicode的可变长度字符编码,又称万国码,它包含全世界所有国家需要用到的字符,是国际编码,通用性强,是用以解决国际上字符的一种多字节编码。由Ken Thompson于1992年创建。UTF-8用1到4个字节编码UNICODE字符,它对英文使用8位/8Bit(即1个字节/1Byte),中文使用24位/24Bit(3个字节/3Byte)来编码。用在网页上可以同一页面显示中文简体繁体及其它语言(如日文,韩文)。

    GBK (Chinese Internal Code Specification)是汉字编码标准之一,全称《汉字内码扩展规范》,中华人民共和国全国信息技术标准化技术委员会1995年12月1日制订,国家技术监督局标准化司、电子工业部科技与质量监督司1995年12月15日联合以技监标函1995 229号文件的形式,将它确定为技术规范指导性文件。

    GBK是国家标准GB2312基础上扩容后兼容GB2312的标准(GB2312共收录了7445个字符,包括6763个汉字和682个其它符号;GBK共收录了27484个汉字,同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字)。GBK的文字编码是用双字节来表示的,即不论中、英文字符均使用双字节来表示(注意,GB系列编码是利用了字节中的最高位和ASCII编码区分的,可以和ASCII码混用。所以全角模式下英文是2字节,半角模式英文还是1字节)。为了区分中文,将其最高位都设定成1。GBK包含全部中文字符,是国家编码,通用性比UTF8差,不过UTF8占用的数据库比GBD大。

    简单概况就是:

    UTF-8英文1字节中文3字节,在编码效率和编码安全性之间做了平衡,适合网络传输,是理想的中文编码方式.

    GBK英文1字节(半角1字节,全角2字节),中文2字节,GBK的范围比GB2312广,GBK兼容GB2312。

    参考文章:

    http://blog.csdn.net/mydriverc2/article/details/50525203

    http://blog.csdn.net/liudajiang/article/details/41133077

    http://www.cnblogs.com/xiaomia/archive/2010/11/28/1890072.html

    第二节:UTF-8和GBK在Web传输中的区别

    PHP示例代码:

    $str='中文'; // 2个中文

    echo strlen($str),','; // UTF-8长度是:6 (UTF-8编码: 1个中文3byte,2个中文加起来是6byte)

    echo strlen(iconv('utf-8', 'GBK', $str)),','; // GBK长度是:4 (GBK编码:1个中文2byte,2个中文加起来是4byte)

    $str='a0'; // 1个英文1个数字

    echo strlen($str),','; // UTF-8长度是:2 (UTF-8编码: 1个英文或数字是1byte,1个英文和1个数字加起来是2byte)

    echo strlen(iconv('utf-8', 'GBK', $str)),','; // GBK长度是:2 (GBK编码:1个英文或数字是1byte, 1个英文和1个数字加起来是2byte)

    $str='E汉'; // 1个英文1个中文

    echo strlen($str),','; // UTF-8长度是:4 (UTF-8编码: 1个中文3byte,1个英文1byte,加起来是4byte)

    echo strlen(iconv('utf-8', 'GBK', $str)); // GBK长度是:3 (GBK编码:1个中文2byte,1个英文或数字是1byte, 加起来是3byte)

    代码截图:

    3ff42b25a194a96eb904e30c94055ad5.png

    输出结果:

    548629fc039d358f60d8efbb9f487c87.png

    第三节:UTF-8和GBK在数据库存储中的区别

    ====================MySQL测试====================

    MySQL示例代码(UTF8编码):

    -- 创建指定UTF8编码的表

    create table chartestutf8 (fstr varchar(2), fchr char(2)) DEFAULT CHARSET=UTF8;

    -- 写入测试数据

    insert into chartestutf8 (fstr, fchr) values ('中文','中文');

    insert into chartestutf8 (fstr, fchr) values ('E文','E文');

    insert into chartestutf8 (fstr, fchr) values ('a0','a0');

    -- 查询数据表内容

    select fstr as 'UTF8变长内容', LENGTH(fstr) as 'UTF8变长内容长度', fchr as 'UTF8定长内容', LENGTH(fchr) as 'UTF8定长内容长度' from chartestutf8;

    代码截图:

    81eefaa21cbe4643110f42f879e3487b.png

    内容说明:

    UTF-8用1到4个字节编码UNICODE字符,英文一个字节/1byte (8位/8bit),中文三个字节/3byte (24位/24bit)

    '中文' 2个汉字的长度是 3byte * 2 = 6byte

    'E文' 1个英文+1个汉字的长度是 1byte + 3byte = 4byte

    'a0' 1个英文+1个数字的长度是 1byte + 1byte = 2byte

    MySQL示例代码(GBK编码):

    -- 创建指定GBK编码的表

    create table chartestgbk (fstr varchar(2), fchr char(2)) DEFAULT CHARSET=GBK;

    -- 写入测试数据

    insert into chartestgbk (fstr, fchr) values ('中文','中文');

    insert into chartestgbk (fstr, fchr) values ('E文','E文');

    insert into chartestgbk (fstr, fchr) values ('a0','a0');

    -- 查询数据表内容

    select fstr as 'GBK变长内容', LENGTH(fstr) as 'GBK变长内容长度', fchr as 'GBK定长内容', LENGTH(fchr) as 'GBK定长内容长度' from chartestgbk;

    代码截图:

    881892d1b19664d5ae5abe7ea8355375.png

    内容说明:

    GBK的文字编码用双字节来表示,即不论中、英文字符均使用双字节来表示

    '中文' 2个汉字的长度是 2byte * 2 = 4byte

    'E文' 1个英文+1个汉字的长度是 1byte + 2byte = 3byte

    'a0' 1个英文+1个数字的长度是 1byte + 1byte = 2byte

    补充说明:

    1. varchar(M), 这里的M是指字符数,并不是字节数.占用的字节数与编码有关。

    2. VARCHAR的最大实际长度由行定义的长度和使用的字符集确定,MySQL要求一个行的定义长度不能超过65535字节。字符类型若为GBK,每个字符最多占2个字节,则最大长度不能超过32766个字符;字符类型若为UTF8,每个字符最多占3个字节,最大长度不能超过21845个字符(一个中文、英文、数字等都算一个字符)。

    参考文章:

    http://www.oschina.net/question/199396_37127

    http://blog.csdn.net/ppiao1970hank/article/details/6289647

    http://www.cnblogs.com/fakis/archive/2011/03/07/1976532.html

    ====================SQL Server测试====================

    SQL Server示例代码(Varchar):

    -- 创建表

    create table chartest (fstr varchar(4), fchr char(4));

    -- 写入测试数据

    insert into chartest (fstr, fchr) values ('中文','中文');

    insert into chartest (fstr, fchr) values ('E文','E文');

    insert into chartest (fstr, fchr) values ('a0','a0');

    -- 查询数据表内容

    -- DATALENGTH()函数返回的是字节数,一个汉字两个字节

    select fstr as '变长内容', DATALENGTH(fstr) as '内容长度', fchr as '定长内容', DATALENGTH(fchr) as '内容长度' from chartest;

    -- LEN()函数返回字符数,一个汉字代表一个字符

    select fstr as '变长内容', LEN(fstr) as '字符个数', fchr as '定长内容', LEN(fchr) as '字符个数' from chartest;

    代码截图:

    15eedbd9047cf92687e39ee0d911e4b0.png

    e6d58054f3630896110f4a08c733083a.png

    内容说明:

    '中文' 2个汉字的长度是 2byte * 2 = 4byte,所以定义varchar(2)会提示将截断字符串或二进制数据的错误。

    'E文' 1个英文+1个汉字的长度是 1byte + 2byte = 3byte

    'a0' 1个英文+1个数字的长度是 1byte + 1byte = 2byte

    SQL Server定长数据类型(char(n)),不足的补英文半角空格,所以查询出来的长度都是固定的。

    SQL Server示例代码(NVarchar):

    -- 创建表

    create table chartestn (fstr nvarchar(2), fchr nchar(2));

    -- 写入测试数据

    insert into chartestn (fstr, fchr) values ('中文','中文');

    insert into chartestn (fstr, fchr) values ('E文','E文');

    insert into chartestn (fstr, fchr) values ('a0','a0');

    -- 查询数据表内容

    -- DATALENGTH()函数返回的是字节数,一个汉字两个字节

    select fstr as '变长内容', DATALENGTH(fstr) as '内容长度', fchr as '定长内容', DATALENGTH(fchr) as '内容长度' from chartestn;

    -- LEN()函数返回字符数,一个汉字代表一个字符

    select fstr as '变长内容', LEN(fstr) as '字符个数', fchr as '定长内容', LEN(fchr) as '字符个数' from chartestn;

    代码截图:

    7d69759988979623b3f747b0c042a88f.png

    补充说明:

    sql server中的Varchar和Nvarchar的区别:

    1. Varchar按实际字节长度存储,1个汉字1字节,1个英文1字节,长度介于1和8000之间,存储大小为输入数据的字节的实际长度

    2. Nvarchar按字符数量存储,不论汉字或英文,都是2字节,长度介于1与4000之间,存储大小是所输入字符个数的两倍(n前缀的,n表示Unicode字符,即所有字符都占两个字节)

    3. 从存储方式上,nvarchar是按字符存储的,而 varchar是按字节存储的

    4. 从存储量上考虑, varchar比较节省空间,因为存储大小为字节的实际长度,而 nvarchar是双字节存储

    5. 如果你做的项目可能涉及不同国家语言之间的转换,建议用nvarchar,因为nvarchar是使用Unicode编码,会减少乱码的出现几率

    6. Char/NChar固定长度数据类型,不足的补英文半角空格。

    LEN()函数:返回给定字符串表达式的字符(而不是字节)个数,其中不包含尾随空格。(Len只返回字符数,一个汉字代表一个字符)

    DATALENGTH()函数:返回任何表达式所占用的字节数。(Datalength返回的是字节数,一个汉字两个字节)

    Len()不包含空格在内长度,而DATALENGTH()包含空格。

    参考文章:

    http://www.cnblogs.com/14lcj/archive/2012/07/08/2581234.html

    http://blog.163.com/rihui_7/blog/static/212285143201211123342333/?NdsKey=246770

    实际项目的应用:

    1. 1个中文用UTF8编码是3字节(Byte),用GBK编码是2字节(Byte)。1个英文或数字不管什么编码都是1字节(属于ASCII编码)。

    2. UTF8比GBK多使用1字节存储空间。UTF8可以存储包括其他任意国家语言的字符,而GBK仅限中文,但包含UTF8没有的中文生僻字。

    3. MySQL数据库的varchar(N),N表示的是字符数量,而不是字节数量,占用的字节数和数据表使用的编码有关。(MySQL要求一个行的定义长度不能超过65535字节,因此varchar的长度理论上最大是65535字节,编码若为gbk,每个字符最多占2个字节,最大长度不能超过32766个字符;编码若为utf8,每个字符最多占3个字节,最大长度不能超过21845个字符,即不论字母、数字或汉字,只能存储21785个)

    4. SQLServer数据库的nvarchar(N),N表示的是字符数量,但不论汉字还是英文,都是2字节,长度范围是1-4000,而varchar(N),N表示的是字节长度,1个汉字2个字节,1个英文或数字是1字节,长度范围是1-8000。(所以nvarchar(2)可以存储2个汉字,而varchar(2)只能存储1个汉字)

    版权声明:本文采用署名-非商业性使用-相同方式共享(CC BY-NC-SA 3.0 CN)国际许可协议进行许可,转载请注明作者及出处。

    本文标题:UTF-8和GBK编码之间的区别(页面编码、数据库编码区别)以及在实际项目中的应用

    本文链接:http://www.cnblogs.com/sochishun/p/7026762.html

    本文作者:SoChishun (邮箱:14507247#qq.com | 博客:http://www.cnblogs.com/sochishun/)

    发表日期:2017年6月13日

    展开全文
  • UTF8和GBK的区别

    2016-06-04 18:53:43
    UTF8和GBK的区别 GBK的文字编码是双字节来表示的,即不论中、英文字符均使用双字节来表示,只不过为区分中文,将其最高位都定成1。 至于UTF-8编码则是用以解决国际上字符的一种多字节编码,它对英文...


    本文转自:http://blog.sina.com.cn/s/blog_b32c7b81010191qy.html



    UTF8和GBK版的区别

    GBK的文字编码是双字节来表示的,即不论中、英文字符均使用双字节来表示,只不过为区分中文,将其最高位都定成1。

    至于UTF-8编码则是用以解决国际上字符的一种多字节编码,它对英文使用8位(即一个字节),中文使用24位(三个字节)来编码。对于英文字符较多的论坛则用UTF-8节省空间。


    GBK包含全部中文字符,
    UTF-8则包含全世界所有国家需要用到的字符。

    GBK是在国家标准GB2312基础上扩容后兼容GB2312的标准(好像还不是国家标准)

    UTF-8编码的文字可以在各国各种支持UTF8字符集的浏览器上显示。
    比如,如果是UTF8编码,则在外国人的英文IE上也能显示中文,而无需他们下载IE的中文语言支持包。

    所以,对于英文比较多的论坛 ,使用GBK则每个字符占用2个字节,而使用UTF-8英文却只占一个字节。


    UTF8能很好的兼容其他国语言,相同数据的数据库占用量是gbk的1.5倍,如果你的网站只面向中国用户,可以只用考虑选择简体版


    GBK是GB18030的子集,GBK是包括中日韩字符的大字符集合,如果是中文的网站,推荐GB2312 GBK有时还是有点问题.
    为了避免所有乱码问题,应该采用UTF-8,将来要支持国际化也非常方便 ,UTF-8可以看作是大字符集,它包含了大部分文字的编码。
    使用UTF-8的一个好处是其他地区的用户(如香港台湾)无需安装简体中文支持就能正常观看你的文字而不会出现乱码。
    GBK的文字编码是双字节来表示的,即不论中、英文字符均使用双字节来表示,只不过为区分中文,将其最高位都定成1。
    至于UTF-8编码则是用以解决国际上字符的一种多字节编码,它对英文使用8位(即一个字节),中文使用24位(三个字节)来编码。对于英文字符较多的论坛则用UTF-8节省空间。
    GBK包含全部中文字符,UTF-8则包含全世界所有国家需要用到的字符。GBK是在国家标准GB2312基础上扩容后兼容GB2312的标准(好像还不是国家标准),UTF-8编码的文字可以在各国各种支持UTF8字符集的浏览器上显示。比如,如果是UTF8编码,则在外国人的英文IE上也能显示中文,而无需他们下载IE的中文语言支持包。
    所以,对于英文比较多的论坛 ,使用GBK则每个字符占用2个字节,而使用UTF-8英文却只占一个字节。
    请注意:UTF-8版本虽然具有良好的国际兼容性,但中文需要比GBK/BIG5版本多占用50%的数据库存储空间,因此并非推荐使用,仅供对国际兼容性有特殊要求的用户使用。
    简单地说:
    对于中文较多的论坛,适宜用GBK编码节省数据库空间。对于英文较多的论坛,适宜用UTF-8节省数据库空间。

     

     

    GBK简体中文版和UTF8简体中文版有什么区别?
    ASCII(ISO-8859-1)是鼻祖,最简单的方式,字节高位为0
    GB2312、GBK、GB18030,这几个是中文编码方式,并向下兼容。GB2312包含7000多个汉字和字符,GBK包含21000多个,GB18030更厉害,到了27000多个。他们都是用2个字节来表示一个汉字。跟ascii是怎么区分的呢?如果高字节的高位为1(也就是高字节大于127),就表示是汉字,低字节并无明显特征。

    Unicode是统一编码,它建立了一个全世界统一的码表。世界上的所有文字,在这张码表中都是唯一的。

    UTF-8是Unicode的一种存储、传输方式。它将整个Unicode码表分为3部分。
    0000 - 007F 这部分是最初的ascii部分,按原始的存储方式,即0xxxxxxx。
    0080 - 07FF 这部分存储为110xxxxx 10xxxxxx
    0800 - FFFF 这部分存储为1110xxxx 10xxxxxx 10xxxxxx
    因此,一个汉字究竟被存储为什么,就需要:先查unicode码表,然后根据在码表的位置进行计算。例如:“电”字,在码表中是3575,计算成utf8就是E794B5,而在GB2312的码表中为B5E7
    UTF-8的好处:兼容ASCII,存储英文文件都是单字节,文件小。当然,当以存中文为主时就变成了3字节编码了,比GB系列还大!如何标明一个文件是utf8格式呢?这个标记是可选的:EF BB BF。比如,用windows自带的记事本创建一个utf8格式的文件,就会加上这个标记。但是,如果用ultraedit创建utf8文件,并不会加上这个标记。这个标记有个术语,叫做BOM(Byte Order Mark)。不带BOM的utf8文件和GB2312文件怎么区分呢?我也不知道。唯一能想到的办法就是:先用一种试,如果出现乱码,就用另一种再试

    UTF-16是双字节存储,这就带来一个问题,即高低字节的顺序。两个字节有两种顺序,它们也用BOM来标明。分为大尾码和小尾码两种。大尾码的BOM是FEFF,小尾码的BOM是FFFE


    所以我觉得还是GBK好些,如果你是中文站的话

    但是还要说一下的是,UTF-8是未来的趋势。

     

     

    UNICODE,GBK,UTF-8区别
        简单来说,unicode,gbk和大五码就是编码的值,而utf-8,uft-16之类就是这个值的表现形式.而前面那三种编码是一兼容的,同一个汉字,那三个码值是完全不一样的.如"汉"的uncode值与gbk就是不一样的,假设uncode为a040,gbk为b030,而uft-8码,就是把那个值表现的形式.utf-8码完全只针对uncode来组织的,如果GBK要转UTF-8必须先转uncode码,再转utf-8就OK了.
    详细的就见下面转的这篇文章.

    谈谈Unicode编码,简要解释UCS、UTF、BMP、BOM等名词
    这是一篇程序员写给程序员的趣味读物。所谓趣味是指可以比较轻松地了解一些原来不清楚的概念,增进知识,类似于打RPG游戏的升级。整理这篇文章的动机是两个问题:

    问题一:
    使用Windows记事本的“另存为”,可以在GBK、Unicode、Unicode big endian和UTF-8这几种编码方式间相互转换。同样是txt文件,Windows是怎样识别编码方式的呢?

    我很早前就发现Unicode、Unicode big endian和UTF-8编码的txt文件的开头会多出几个字节,分别是FF、FE(Unicode),FE、FF(Unicode big endian),EF、BB、BF(UTF-8)。但这些标记是基于什么标准呢?

    问题二:
    最近在网上看到一个ConvertUTF.c,实现了UTF-32、UTF-16和UTF-8这三种编码方式的相互转换。对于Unicode(UCS2)、GBK、UTF-8这些编码方式,我原来就了解。但这个程序让我有些糊涂,想不起来UTF-16和UCS2有什么关系。
    查了查相关资料,总算将这些问题弄清楚了,顺带也了解了一些Unicode的细节。写成一篇文章,送给有过类似疑问的朋友。本文在写作时尽量做到通俗易懂,但要求读者知道什么是字节,什么是十六进制。

    0、big endian和little endian
    big endian和little endian是CPU处理多字节数的不同方式。例如“汉”字的Unicode编码是6C49。那么写到文件里时,究竟是将6C写在前面,还是将49写在前面?如果将6C写在前面,就是big endian。如果将49写在前面,就是little endian。

    “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”。

    1、字符编码、内码,顺带介绍汉字编码
    字符必须编码后才能被计算机处理。计算机使用的缺省编码方式就是计算机的内码。早期的计算机使用7位的ASCII编码,为了处理汉字,程序员设计了用于简体中文的GB2312和用于繁体中文的big5。

    GB2312(1980年)一共收录了7445个字符,包括6763个汉字和682个其它符号。汉字区的内码范围高字节从B0-F7,低字节从A1-FE,占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。

    GB2312支持的汉字太少。1995年的汉字扩展规范GBK1.0收录了21886个符号,它分为汉字区和图形符号区。汉字区包括21003个字符。

    从ASCII、GB2312到GBK,这些编码方法是向下兼容的,即同一个字符在这些方案中总是有相同的编码,后面的标准支持更多的字符。在这些编码中,英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼,GB2312、GBK都属于双字节字符集 (DBCS)。

    2000年的GB18030是取代GBK1.0的正式国家标准。该标准收录了27484个汉字,同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。从汉字字汇上说,GB18030在GB13000.1的20902个汉字的基础上增加了CJK扩展A的6582个汉字(Unicode码0x3400-0x4db5),一共收录了27484个汉字。

    CJK就是中日韩的意思。Unicode为了节省码位,将中日韩三国语言中的文字统一编码。GB13000.1就是ISO/IEC 10646-1的中文版,相当于Unicode 1.1。

    GB18030的编码采用单字节、双字节和4字节方案。其中单字节、双字节和GBK是完全兼容的。4字节编码的码位就是收录了CJK扩展A的6582个汉字。例如:UCS的0x3400在GB18030中的编码应该是8139EF30,UCS的0x3401在GB18030中的编码应该是8139EF31。

    微软提供了GB18030的升级包,但这个升级包只是提供了一套支持CJK扩展A的6582个汉字的新字体:新宋体-18030,并不改变内码。Windows 的内码仍然是GBK。

    这里还有一些细节:

    GB2312的原文还是区位码,从区位码到内码,需要在高字节和低字节上分别加上A0。

    对于任何字符编码,编码单元的顺序是由编码方案指定的,与endian无关。例如GBK的编码单元是字节,用两个字节表示一个汉字。这两个字节的顺序是固定的,不受CPU字节序的影响。UTF-16的编码单元是word(双字节),word之间的顺序是编码方案指定的,word内部的字节排列才会受到endian的影响。后面还会介绍UTF-16。

    GB2312的两个字节的最高位都是1。但符合这个条件的码位只有128*128=16384个。所以GBK和GB18030的低字节最高位都可能不是1。不过这不影响DBCS字符流的解析:在读取DBCS字符流时,只要遇到高位为1的字节,就可以将下两个字节作为一个双字节编码,而不用管低字节的高位是什么。

    2、Unicode、UCS和UTF
    前面提到从ASCII、GB2312、GBK到GB18030的编码方法是向下兼容的。而Unicode只与ASCII兼容(更准确地说,是与ISO-8859-1兼容),与GB码不兼容。例如“汉”字的Unicode编码是6C49,而GB码是BABA。

    Unicode也是一种字符编码方法,不过它是由国际组织设计,可以容纳全世界所有语言文字的编码方案。Unicode的学名是"Universal Multiple-Octet Coded Character Set",简称为UCS。UCS可以看作是"Unicode Character Set"的缩写。

    根据维基百科全书(http://zh.wikipedia.org/wiki/)的记载:历史上存在两个试图独立设计Unicode的组织,即国际标准化组织(ISO)和一个软件制造商的协会(unicode.org)。ISO开发了ISO 10646项目,Unicode协会开发了Unicode项目。

    在1991年前后,双方都认识到世界不需要两个不兼容的字符集。于是它们开始合并双方的工作成果,并为创立一个单一编码表而协同工作。从Unicode2.0开始,Unicode项目采用了与ISO 10646-1相同的字库和字码。

    目前两个项目仍都存在,并独立地公布各自的标准。Unicode协会现在的最新版本是2005年的Unicode 4.1.0。ISO的最新标准是ISO 10646-3:2003。

    UCS只是规定如何编码,并没有规定如何传输、保存这个编码。例如“汉”字的UCS编码是6C49,我可以用4个ascii数字来传输、保存这个编码;也可以用utf-8编码:3个连续的字节E6 B1 89来表示它。关键在于通信双方都要认可。UTF-8、UTF-7、UTF-16都是被广泛接受的方案。UTF-8的一个特别的好处是它与ISO-8859-1完全兼容。UTF是“UCS Transformation Format”的缩写。

    IETF的RFC2781和RFC3629以RFC的一贯风格,清晰、明快又不失严谨地描述了UTF-16和UTF-8的编码方法。我总是记不得IETF是Internet Engineering Task Force的缩写。但IETF负责维护的RFC是Internet上一切规范的基础。

    2.1、内码和code page
    目前Windows的内核已经支持Unicode字符集,这样在内核上可以支持全世界所有的语言文字。但是由于现有的大量程序和文档都采用了某种特定语言的编码,例如GBK,Windows不可能不支持现有的编码,而全部改用Unicode。

    Windows使用代码页(code page)来适应各个国家和地区。code page可以被理解为前面提到的内码。GBK对应的code page是CP936。

    微软也为GB18030定义了code page:CP54936。但是由于GB18030有一部分4字节编码,而Windows的代码页只支持单字节和双字节编码,所以这个code page是无法真正使用的。

    3、UCS-2、UCS-4、BMP
    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。

    4、UTF编码

    UTF-8就是以8位为单元对UCS进行编码。从UCS-2到UTF-8的编码方式如下:

    UCS-2编码(16进制) UTF-8 字节流(二进制)
    0000 - 007F 0xxxxxxx
    0080 - 07FF 110xxxxx 10xxxxxx
    0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx

    例如“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间,所以肯定要用3字节模板了:1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是:0110 110001 001001,用这个比特流依次代替模板中的x,得到:11100110 10110001 10001001,即E6 B1 89。

    读者可以用记事本测试一下我们的编码是否正确。需要注意,UltraEdit在打开utf-8编码的文本文件时会自动转换为UTF-16,可能产生混淆。你可以在设置中关掉这个选项。更好的工具是Hex Workshop。

    UTF-16以16位为单元对UCS进行编码。对于小于0x10000的UCS码,UTF-16编码就等于UCS码对应的16位无符号整数。对于不小于0x10000的UCS码,定义了一个算法。不过由于实际使用的UCS2,或者UCS4的BMP必然小于0x10000,所以就目前而言,可以认为UTF-16和UCS-2基本相同。但UCS-2只是一个编码方案,UTF-16却要用于实际的传输,所以就不得不考虑字节序的问题。

    5、UTF的字节序和BOM
    UTF-8以字节为编码单元,没有字节序的问题。UTF-16以两个字节为编码单元,在解释一个UTF-16文本前,首先要弄清楚每个编码单元的字节序。例如“奎”的Unicode编码是594E,“乙”的Unicode编码是4E59。如果我们收到UTF-16字节流“594E”,那么这是“奎”还是“乙”?

    Unicode规范中推荐的标记字节顺序的方法是BOM。BOM不是“Bill Of Material”的BOM表,而是Byte order Mark。BOM是一个有点小聪明的想法:

    在UCS编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符,它的编码是FEFF。而FFFE在UCS中是不存在的字符,所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前,先传输字符"ZERO WIDTH NO-BREAK SPACE"。

    这样如果接收者收到FEFF,就表明这个字节流是Big-Endian的;如果收到FFFE,就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。

    UTF-8不需要BOM来表明字节顺序,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(读者可以用我们前面介绍的编码方法验证一下)。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。

    6、进一步的参考资料
    本文主要参考的资料是 "Short overview of ISO-IEC 10646 and Unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。

    我还找了两篇看上去不错的资料,不过因为我开始的疑问都找到了答案,所以就没有看:

    "Understanding Unicode A general introduction to the Unicode Standard" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)
    "Character set encoding basics Understanding character set encodings and legacy encodings" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03)
    我写过UTF-8、UCS-2、GBK相互转换的软件包,包括使用Windows API和不使用Windows API的版本。以后有时间的话,我会整理一下放到我的个人主页上(http://fmddlmyy.home4u.china.com)。

    我是想清楚所有问题后才开始写这篇文章的,原以为一会儿就能写好。没想到考虑措辞和查证细节花费了很长时间,竟然从下午1:30写到9:00。希望有读者能从中受益。

    附录1 再说说区位码、GB2312、内码和代码页
    有的朋友对文章中这句话还有疑问:
    “GB2312的原文还是区位码,从区位码到内码,需要在高字节和低字节上分别加上A0。”

    我再详细解释一下:

    “GB2312的原文”是指国家1980年的一个标准《中华人民共和国国家标准信息交换用汉字编码字符集 基本集 GB 2312-80》。这个标准用两个数来编码汉字和中文符号。第一个数称为“区”,第二个数称为“位”。所以也称为区位码。1-9区是中文符号,16-55区是一级汉字,56-87区是二级汉字。现在Windows也还有区位输入法,例如输入1601得到“啊”。(这个区位输入法可以自动识别16进制的GB2312和10进制的区位码,也就是说输入B0A1同样会得到“啊”。)

    内码是指操作系统内部的字符编码。早期操作系统的内码是与语言相关的。现在的Windows在系统内部支持Unicode,然后用代码页适应各种语言,“内码”的概念就比较模糊了。微软一般将缺省代码页指定的编码说成是内码。

    内码这个词汇,并没有什么官方的定义,代码页也只是微软这个公司的叫法。作为程序员,我们只要知道它们是什么东西,没有必要过多地考证这些名词。

    所谓代码页(code page)就是针对一种语言文字的字符编码。例如GBK的code page是CP936,BIG5的code page是CP950,GB2312的code page是CP20936。

    Windows中有缺省代码页的概念,即缺省用什么编码来解释字符。例如Windows的记事本打开了一个文本文件,里面的内容是字节流:BA、BA、D7、D6。Windows应该去怎么解释它呢?

    是按照Unicode编码解释、还是按照GBK解释、还是按照BIG5解释,还是按照ISO8859-1去解释?如果按GBK去解释,就会得到“汉字”两个字。按照其它编码解释,可能找不到对应的字符,也可能找到错误的字符。所谓“错误”是指与文本作者的本意不符,这时就产生了乱码。

    答案是Windows按照当前的缺省代码页去解释文本文件里的字节流。缺省代码页可以通过控制面板的区域选项设置。记事本的另存为中有一项ANSI,其实就是按照缺省代码页的编码方法保存。

    Windows的内码是Unicode,它在技术上可以同时支持多个代码页。只要文件能说明自己使用什么编码,用户又安装了对应的代码页,Windows就能正确显示,例如在HTML文件中就可以指定charset。

    有的HTML文件作者,特别是英文作者,认为世界上所有人都使用英文,在文件中不指定charset。如果他使用了0x80-0xff之间的字符,中文Windows又按照缺省的GBK去解释,就会出现乱码。这时只要在这个html文件中加上指定charset的语句,例如:

    如果原作者使用的代码页和ISO8859-1兼容,就不会出现乱码了。

    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。

    展开全文
  • UTF-8和GBK的区别

    2017-11-17 13:37:55
    UTF8编码是用以解决国际上字符一种多字节编码,它对英文使用8位(即一个字节),中文使用24位(三个字节)来编码。对于英文字符较多论坛则用UTF8节省空间。另外,如果是外国人访问你的GBK网页,需要下载中文...
  • utf-8和GBk的区别

    2017-05-13 11:42:58
    utf-8包含全世界所有国家用到字符,GBK包含全部中文字符。 UTF-8使用以解决国际上字符一种多字节编码模式,它对英文使用一个字节,对中文使用3个字节。对于英文字符较多论坛使用UTF-8则比较节省空间。 比如...
  • UTF-8和GBK的区别UTF-8:包含世界几乎所有国家的字符。所以国际通用性强。英文占1字节,中文占3字节。 GBK:专门解决中文编码。国外用户浏览需要下载中文语言包支持。中英文皆占2字节。 如何选择? ...
  • 常见UTF-8和GBK的区别

    千次阅读 2015-10-21 21:39:19
    GBK编码:是指中国中文字符,其中它包含了简体中文与繁体中文字符,另外还有一种字符“gb2312”,这种字符仅能...UTF8编码格式很强大,支持所有国家语言,正是因为它强大,才会导致它占用空间大小要比GBK大,对
  • 这其中存在一个转换问题:如System.out.println(new String("中国".getBytes("gbk"), "utf-8...//将“中国“的gbk编码格式按着utf-8解析,或者反过来都会出现乱码。如浏览器当前为gbk编码,就以gbk编码格式来提交。...
  • GBK的文字编码是双字节来表示的,即不论中、英文字符均使用双字节来表示,只不过为区分中文,将其最高位都定成1。 至于UTF8编码则是用以解决国际上字符的一种多字节编码,它对英文使用8位(即一个字节),中文...
  • utf8和gbk区别是什么? 1.gbk为2字节编码,任何一个字符都为2个字节,不区分中英文 2.utf8英文部分采用1个字节编码,而中文部分采用3个字节编码 3.如果中文比较多数据存储采用gbk所采用空间要小于utf8 4....
  • GBK的文字编码是用双字节来表示的,即不论中、英文字符均使用双字节来表示,为了区UTF- 8:是用以解决国际上字符的一种多字节编码,它对英文使用8位(即一个字节),中文使用24为(三个字节)来编码。GBK是国家标...
  • UTF-8和GBK区别

    2019-09-30 14:47:50
    UTF-8  UTF8编码用以解决国际上字符的一种多字节编码。它对英文使用8位(即一个字节),中文使用24位(三个字节)。对于英文字符较多的论坛则用UTF8...GBK是GB2312在量上的扩充,并没有质的区别,向后兼容。...
  • UTF8和GBK的区别

    2010-01-05 19:53:00
    http://hi.baidu.com/%BA%AB%CA%CE%C6%B7%B9%A4%B3%A7/blog/item/5220725145fb30541138c2e7.html UTF8和GBK的区别2009年06月09日 星期二 下午 02:00字符均使用双字节来表示,只不过为区分中文,将其最高位都定成1...
  • utf-8 和gbk的区别

    2014-02-26 23:01:21
    UTF-8:Unicode TransformationFormat-8bit,允许含BOM,但通常不含BOM。是用以解决国际上字符一种多字节编码,它对英文...UTF-8编码文字可以在各国支持UTF8字符集浏览器上显示。如,如果是UTF8编码,则在外国...
  • 字符均使用双字节来表示,只不过为区分中文,将其最高位都定成1。至于UTF8编码则是用以解决国际上字符一种多字节编码,它对...GBK是在国家标准GB2312基础上扩容后兼容GB2312标准(好像还不是国家标准)UTF-8编...
  •  UTF-8 GBK UTF8 GB2312 之间的区别和关系
  • UTF-8:Unicode TransformationFormat-8bit,允许含BOM,但通常不含BOM。是用以解决国际上字符一种多字节编码,它对英文使用8位(即一个字节),中文使用24为(三个字节)来编码
  • 浅谈UTF-8和GBK的区别

    2013-03-31 13:12:29
     首先来说说什么是GBK和UTF-8以及他们编码规则。 1.GBK GBK是汉字编码标准之一,全称《汉字内码扩展规范》(GBK即“国标”、“扩展”汉语拼音第一个字母,英文名称:Chinese Internal Code
  • utf-8和gbk的区别

    2014-12-30 21:49:00
    UTF8是国际编码,它通用性比较好,外国人也可以浏览论坛,GBK是国家编码,通用性比UTF8差,不过UTF8占用数据库比GBK大~ 转载于:https://my.oschina.net/91jason/blog/362487
  • gbk和utf8的区别

    千次阅读 2016-08-28 22:59:01
    我们这里将以最简单最容易理解的方式来描述GBK和UTF8的区别,以及它们分别是什么。 GBK编码:是指中国的中文字符,其它它包含了简体中文与繁体中文字符,另外还有一种字符“gb2312”,这种字符仅能存储简体中文字符...
  • 论编码问题又碰到了,为什么不用UTF8而用GBK呢?这个问题专业的解释好像网上有很多,但对我来讲,我只想知道用哪个有什么好处就够了。 下面是我用我个人应用中感觉到的及最简单的通俗的看法去理解这两种编码的区别...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,037
精华内容 414
关键字:

utf8和gbk的区别