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