UTF-8和GBK等中文字符编码格式介绍及相互转换

我们有很多时候需要使用中文编码格式，比如gbk、gb2312等，但是因为主要针对中文编码设置，因此并不完全通用，这样一来就有了在各编码间相互转换的需求，比如和UTF8的转换。可是在我使用的过程中，却发现编码转换并没有想象中的简单，或者说可能会出错，即使你使用的系统API。我在使用中，产生一些疑惑，搜索资料也没有完全解决我的问题，因此整理了这篇文章。文章末尾列出了我参考的一些资料或者代码实现等，在此谢过。

      本文先各个中文编码进行介绍，只做简单介绍，不涉及详细原理（本文结尾附有链接可参阅），然后实例验证编码转换之间的问题。

各个编码格式介绍

• GB2312

      GB2312是中华人民共和国国家汉字信息交换用编码，全称《信息交换用汉字编码字符集——*本集》，由国家标准总局发布，1981年5月1日实施，通行于大陆。新加坡等地也使用此编码。GB2312收录简化汉字及符号、字母、日文假名等共7445个图形字符，其中汉字占6763个。GB2312 规定“对任意一个图形字符都采用两个字节表示，每个字节均采用七位编码表示”，习惯上称第一个字节为“高字节”，第二个字节为“低字节”。

      GB2312的编码范围为2121H-777EH，与ASCII有重叠，通行方法是将GB码两个字节的最高位置1以示区别。

• GBK

      GB2312 仅收汉字 6763 个，这大大少于现有汉字，随着时间推移及汉字文化的不断延伸推广，有些原来很少用的字，现在变成了常用字，例如：***的“*”字，未收入 GB2312-80，现在报业出刊只得使用（金+容）、（金容）、（左金右容）等来表示，形式不一而同，这使得表示、存储、输入、处理都非常不方便，而且这种表示没有统一标准。为了解决这些问题，以及配合UNICODE的实施，全国信息技术化技术委员会于1995年12月1日《汉字内码扩展规范》。GBK向下与GB2312 完全兼容，向上支持ISO 10646 国际标准，在前者向后者过渡过程中起到的承上启下的作用。GBK亦采用双字节表示，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，总体编码范围为8140-FEFE之间，首字节在81-FE 之间，尾字节在40-FE 之间，剔除 XX7F 一条线。
GBK 共收入21886个汉字和图形符号，包括：
    * GB2312中的全部汉字、非汉字符号；
    * BIG5中的全部汉字；
    * 与ISO 10646相应的国家标准GB13000中的其它 CJK 汉字，以上合计20902个汉字；
    * 其它汉字、部首、符号，共计984个；

• GB18030

      GB18030 是最新的汉字编码字符集的国家标准，向下兼容 GBK 和 GB2312 标准。GB18030 编码是一二四字节变长编码。一字节部分从 0x0~0x7F 与 ASCII 编码兼容。二字节部分，首字节从 0x81~0xFE，尾字节从 0x40~0x7E以及 0x80~0xFE，与GBK标准*本兼容。四字节部分，第一字节从 0x81~0xFE，第二字节从 0x30~0x39，第三和第四字节的范围和前两个字节分别相同。四字节部分覆盖了从 0x0080 开始, 除去二字节部分已经覆盖的所有 Unicode 3.1码位。也就是说，GB18030编码在码位空间上做到了与Unicode标准一一对应，这一点与UTF-8编码类似。

• Unicode

      Unicode是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。Unicode用数字0-0x10FFFF来映射这些字符，最多可以容纳1114112个字符。Unicode只是一个符号集, 它只规定了符号的二进制代码, 却没有规定这个二进制代码应该如何存储。比如UTF-8、UTF-16、UTF-32都是Unicode编码的实现方式，不过UTF-8是使用最多的实现。

• UTF-8

      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，是在互联网上使用最广的一种unicode的实现方式。UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度，因此可以节省存储空间。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。

     UTF-8的编码规则很简单，只有二条：

            1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的；
            2）对于n字节的符号，第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的二进制位，表示为这个符号的unicode码；

      另外像ASCII只用于英文字符编码，BIG5编码是通行于台湾、香港地区的一个繁体字编码方案，虽然存在一些瑕疵，但广泛应用于电脑行业，尤其是互联网中，从而成为一种事实上的行业标准。

• 总结

1. ASCII用于表示英文字符，是用7位表示的，能表示128个字符；其扩展使用8位表示，表示256个字符；
2. GB2312简体中文的编码格式， 只支持6763个常用汉字；
3. GBK是GB2312*础上扩容后兼容GB2312的标准，包含全部中文字符，支持简体中文及繁体中文；
4. GBK通用性比UTF8差，不过UTF8占用的数据库比GBK大；
5. GB2312、GBK到GB18030都属于双字节字符集 (DBCS)；
6. 从ASCII、GB2312、GBK到GB18030，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；

GBK和UTF-8的相互转换

      好吧，这才是正题。

      从上面看到，一般来说UTF-8可应用于大多数场景，尤其是互联网上，而中文编码主要使用GBK编码，因此这就有了GBK、GB2312和UTF-8的相互转换需求。但要注意，GBK、GB2312等与UTF8之间都必须通过Unicode编码才能相互转换，也即：
　　　　GBK、GB2312 ---> Unicode ---> UTF-8
　　　　UTF8 ---> Unicode ---> GBK、GB2312

     比如拿汉字的“字”来举例，

“字“的表示	二进制表示	16进制	10进制	字符串表示
GBK	11010111 11010110	D7 D6	55254	字
Unicode	01011011 01010111	5B 57	23383
Utf-8	11100101 10101101 10010111	E5 AD 97	15052183	瀛

      同样，对于词语“中国.北京”，转换成UTF-8表示为：涓浗.鍖椾含。

      你要问我怎么转换的？原理什么的就不介绍了，在Windo平台下，通过一些Win API可以将GBK和Utf-8经过Unicode层进行相互转换。Linux下也是这样。另外由于各个编码规则都是确定的，因此各字符也就有了一种对应关系，这就使查表法也成为实现编码转换的一种方式。

GBK和UTF-8编码的检测

     上面简单介绍了各种编码以及他们的相互转换，但如果给定一个字符串，能够检测出其编码是什么吗？ 比如对于“中国.北京”，检测出其为GBK或GB2312，而对于

”涓浗.鍖椾含“检测出其为UTF-8。那么对于一个给定的检测算法，是否保证肯定能检测到该字符串的真正编码方式吗？或者对于一个网页内容来说，很可能既存在GBK编码内容，也有UTF-8内容，那网页应该怎么显示（好像是检测编码，哪种编码出现的频率多，就使用哪种编码显示，臆测，不懂）？

     再举一个例子： “谢谢”，其UTF-8表示是“璋㈣阿”。从我的实现中，不论对于GBK编码的“谢谢”，还是UTF-8的“璋㈣阿”，都检测出是UTF-8编码。而我也不是第一个遇到这种情况的人，比如孟岩他老人家也遇到过检测失败的问题，不过他是在Ruby语言下发现的问题，而我是在C/C++实现中出现的检测失败。

     好吧，说到这里我也不知道说的是什么了，总之就是，

• 各编码规则从应用角度来看，还挺复杂；
• 编码转换和编码检测有时也不靠谱；