常见的字符编码

• ASCII、GBK、GB2312、Unicode等等

常识

1. 用多个字节来代表的字符称之为宽字符，而 Unicode 码只是宽字符编码的一种实现，宽字符并不一定是 Unicode
2. char 窄字符占1个字节
3. wchar_t 宽字符，在 linux 下占4个字节，在 windows 下占2个字节
4. 具体存储时除 UTF-8 以外都有大端序和小端序的区别
5. 对 UTF-8 和 UTF-32 字符串排序可以得到和字典序相同的结果，UTF-16 则不能。（Unicode 码位的汉字排序是康熙字典序，而不是新华字典序。)
6. 一个码位代表一个编码空间<Unicode / GBK ...>内的任何数值
7. 编码单元可以表示一段已编码文本的最小比特组合，例如 UTF-8 UTF-16 UTF-32 分别使用 8 比特、16比特、32比特编码单元 。请注意，这仅仅是一组比特序列；它们存储在面向字节的媒体上的方式取决于特定编码的端序。当存储上述 UTF-16 码位时，UTF-16BE 会转换为“d8 89 dc 3f”，UTF-16LE 会转换为“89 d8 3f dc”。

ASCII编码

• 一个码位占 1 个字节

BIG5编码

• 一个码位占 2 个字节，变长编码

GBK编码

• 一个码位占 1/2/4 个字节 GB2312(80)->GBK->GB18030，变长编码，极少部分中文占用4个字节

Unicode 编码

• UCS-2 一个码位占 2 个字节 ，定长编码 <Unicode编码方式之一> // 历史产物，基本已被淘汰
• UCS-4 一个码位占 4 个字节 ，定长编码 <Unicode编码方式之一>
• UTF-16 一个码位占 2/4 个字节 ，变长编码 <Unicode编码方式之一> // Windows 中被误认为是 widechar 或直接称其为 Unicode，这是错误的
• UTF-32 一个码位占 4 个字节 ，定长编码 <Unicode编码方式之一>
• UTF-8 一个码位占 1~6 个字节 ，变长编码 <Unicode编码方式之一>
• WideChar 一个码位占 2/4 个字节 ，变长编码 <Unicode编码方式之一> // Windows 下 UTF-16 的代称

Windows 平台

• char[] 采用 GB2312/GBK 编码，英文占 1 个字节，汉字占 2 个字节
• wchar_t[] 采用 UTF-16 编码，英文和大部分中文占 2 个字节，少部分字符占 4 个字节，即一个字符可能是用 wchar_t[1] 或者 wchar_t[2] 来表示

Linux 平台

• char[] 采用 UTF-8 编码，占 1~6 个字节，英文占 1 个字节，汉字占 3~4 个字节
• wchar_t[] 采用 UTF-32 编码，占 4 个字节

C++11 及以后的版本中

• char16_t 用于存储 UTF-16 编码的 Unicode 字符
• char32_t 用于存储 UTF-32 编码的 Unicode 字符