UTF-8：Unicode TransformationFormat-8bit，允許含BOM，但通常不含BOM。是用以解決國際上字符的一種多字節編碼，它對英文使用8位（即一個字節），中文使用24為（三個字節）來編碼。UTF-8包含全世界所有國家需要用到的字符，是國際編碼，通用性強。UTF-8編碼的文字可以在各國支持UTF8字符集的瀏覽器上顯示。如，如果是UTF8編碼，則在外國人的英文IE上也能顯示中文，他們無需下載IE的中文語言支持包。

GBK是國家標準GB2312基礎上擴容后兼容GB2312的標準。GBK的文字編碼是用雙字節來表示的，即不論中、英文字符均使用雙字節來表示，為了區分中文，將其最高位都設定成1。GBK包含全部中文字符，是國家編碼，通用性比UTF8差，不過UTF8占用的數據庫比GBD大。

GBK、GB2312等與UTF8之間都必須通過Unicode編碼才能相互轉換：

GBK、GB2312－－Unicode－－UTF8

UTF8－－Unicode－－GBK、GB2312

簡單地說：
對于中文較多的論壇，適宜用GBK編碼節省數據庫空間。對于英文較多的論壇，適宜用UTF-8節省數據庫空間。

GBK簡體中文版和UTF8簡體中文版有什么區別?
ASCII(ISO-8859-1)是鼻祖，最簡單的方式，字節高位為0
GB2312、GBK、GB18030，這幾個是中文編碼方式，并向下兼容。GB2312包含7000多個漢字和字符，GBK包含21000多個，GB18030更厲害，到了27000多個。他們都是用2個字節來表示一個漢字。跟ascii是怎么區分的呢？如果高字節的高位為1（也就是高字節大于127），就表示是漢字，低字節并無明顯特征。

Unicode是統一編碼，它建立了一個全世界統一的碼表。世界上的所有文字，在這張碼表中都是唯一的。

UTF－8是Unicode的一種存儲、傳輸方式。它將整個Unicode碼表分為3部分。
0000 - 007F 這部分是最初的ascii部分，按原始的存儲方式，即0xxxxxxx。
0080 - 07FF 這部分存儲為110xxxxx 10xxxxxx
0800 - FFFF 這部分存儲為1110xxxx 10xxxxxx 10xxxxxx
因此，一個漢字究竟被存儲為什么，就需要：先查unicode碼表，然后根據在碼表的位置進行計算。例如：“電”字，在碼表中是3575，計算成utf8就是E794B5，而在GB2312的碼表中為B5E7
UTF－8的好處：兼容ASCII，存儲英文文件都是單字節，文件小。當然，當以存中文為主時就變成了3字節編碼了，比GB系列還大！如何標明一個文件是utf8格式呢？這個標記是可選的：EF BB BF。比如，用windows自帶的記事本創建一個utf8格式的文件，就會加上這個標記。但是，如果用ultraedit創建utf8文件，并不會加上這個標記。這個標記有個術語，叫做BOM（Byte Order Mark）。不帶BOM的utf8文件和GB2312文件怎么區分呢？我也不知道。唯一能想到的辦法就是：先用一種試，如果出現亂碼，就用另一種再試

UTF－16是雙字節存儲，這就帶來一個問題，即高低字節的順序。兩個字節有兩種順序，它們也用BOM來標明。分為大尾碼和小尾碼兩種。大尾碼的BOM是FEFF，小尾碼的BOM是FFFE

所以我覺得還是GBK好些，如果你是中文站的話

但是還要說一下的是，UTF-8是未來的趨勢。

UNICODE,GBK,UTF-8區別
簡單來說，unicode，gbk和大五碼就是編碼的值，而utf-8,uft-16之類就是這個值的表現形式．而前面那三種編碼是一兼容的，同一個漢字，那三個碼值是完全不一樣的．如＂漢＂的uncode值與gbk就是不一樣的，假設uncode為a040，gbk為b030，而uft-8碼，就是把那個值表現的形式．utf-8碼完全只針對uncode來組織的，如果ＧＢＫ要轉ＵＴＦ－８必須先轉uncode碼，再轉utf-8就ＯＫ了．
詳細的就見下面轉的這篇文章．

談談Unicode編碼，簡要解釋UCS、UTF、BMP、BOM等名詞
這是一篇程序員寫給程序員的趣味讀物。所謂趣味是指可以比較輕松地了解一些原來不清楚的概念，增進知識，類似于打RPG游戲的升級。整理這篇文章的動機是兩個問題：

問題一：
使用Windows記事本的“另存為”，可以在GBK、Unicode、Unicode big endian和UTF-8這幾種編碼方式間相互轉換。同樣是txt文件，Windows是怎樣識別編碼方式的呢？

我很早前就發現Unicode、Unicode big endian和UTF-8編碼的txt文件的開頭會多出幾個字節，分別是FF、FE（Unicode）,FE、FF（Unicode big endian）,EF、BB、BF（UTF-8）。但這些標記是基于什么標準呢？

問題二：
最近在網上看到一個ConvertUTF.c，實現了UTF-32、UTF-16和UTF-8這三種編碼方式的相互轉換。對于Unicode(UCS2)、GBK、UTF-8這些編碼方式，我原來就了解。但這個程序讓我有些糊涂，想不起來UTF-16和UCS2有什么關系。
查了查相關資料，總算將這些問題弄清楚了，順帶也了解了一些Unicode的細節。寫成一篇文章，送給有過類似疑問的朋友。本文在寫作時盡量做到通俗易懂，但要求讀者知道什么是字節，什么是十六進制。

0、big endian和little endian
big endian和little endian是CPU處理多字節數的不同方式。例如“漢”字的Unicode編碼是6C49。那么寫到文件里時，究竟是將6C寫在前面，還是將49寫在前面？如果將6C寫在前面，就是big endian。如果將49寫在前面，就是little endian。

“endian”這個詞出自《格列佛游記》。小人國的內戰就源于吃雞蛋時是究竟從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開，由此曾發生過六次叛亂，一個皇帝送了命，另一個丟了王位。

我們一般將endian翻譯成“字節序”，將big endian和little endian稱作“大尾”和“小尾”。

1、字符編碼、內碼，順帶介紹漢字編碼
字符必須編碼后才能被計算機處理。計算機使用的缺省編碼方式就是計算機的內碼。早期的計算機使用7位的ASCII編碼，為了處理漢字，程序員設計了用于簡體中文的GB2312和用于繁體中文的big5。

GB2312(1980年)一共收錄了7445個字符，包括6763個漢字和682個其它符號。漢字區的內碼范圍高字節從B0-F7，低字節從A1-FE，占用的碼位是72*94=6768。其中有5個空位是D7FA-D7FE。

GB2312支持的漢字太少。1995年的漢字擴展規范GBK1.0收錄了21886個符號，它分為漢字區和圖形符號區。漢字區包括21003個字符。

從ASCII、GB2312到GBK，這些編碼方法是向下兼容的，即同一個字符在這些方案中總是有相同的編碼，后面的標準支持更多的字符。在這些編碼中，英文和中文可以統一地處理。區分中文編碼的方法是高字節的最高位不為0。按照程序員的稱呼，GB2312、GBK都屬于雙字節字符集 (DBCS)。

2000年的GB18030是取代GBK1.0的正式國家標準。該標準收錄了27484個漢字，同時還收錄了藏文、蒙文、維吾爾文等主要的少數民族文字。從漢字字匯上說，GB18030在GB13000.1的20902個漢字的基礎上增加了CJK擴展A的6582個漢字（Unicode碼0x3400-0x4db5），一共收錄了27484個漢字。

CJK就是中日韓的意思。Unicode為了節省碼位，將中日韓三國語言中的文字統一編碼。GB13000.1就是ISO/IEC 10646-1的中文版，相當于Unicode 1.1。

GB18030的編碼采用單字節、雙字節和4字節方案。其中單字節、雙字節和GBK是完全兼容的。4字節編碼的碼位就是收錄了CJK擴展A的6582個漢字。例如：UCS的0x3400在GB18030中的編碼應該是8139EF30，UCS的0x3401在GB18030中的編碼應該是8139EF31。

微軟提供了GB18030的升級包，但這個升級包只是提供了一套支持CJK擴展A的6582個漢字的新字體：新宋體-18030，并不改變內碼。Windows 的內碼仍然是GBK。

Tags：