字符集(charset)与编码(encoding)区别对比

前言

字符集与编码这两个概念常被混淆，二者是有差异的。
字符集与字符集编码是两个不一样层面的概念：
（1）charset 是 character set 的简写，即字符集。
（2）encoding 是 charset encoding 的简写，即字符集编码，简称编码。、

与接口及接口实现的对比

从这里能够很清楚地看到，

1、编码是依赖于字符集的，就像代码中的接口实现依赖于接口同样；
2、一个字符集能够有多个编码实现，就像一个接口能够有多个实现类同样。

具体例子及规范用法

能够简单看两个例子，一个自于 html 文件，用的是 charset：

<meta http-equiv="content-type" content="text/html;charset=utf-8">

另外一个来自于 xml 文件，用的是 encoding：

<?xml version="1.0" encoding="UTF-8"?>

哪种用法更规范呢？显然是后者，它更加准确地区分了字符集与编码的概念。

注意：“charset=utf-8”容易让人误解为存在一种叫“UTF-8”的字符集，但实际上，不管是 UTF-8，UTF-16 仍是 UTF-32 都是对同一种字符集的不一样编码实现而已。

为何要严格区分字符集与编码这两个概念？

在早期，字符集与编码是一对一的，但随着时间的发展，出现了一对多的情形。

字符集与编码一对一的情形

有不少的字符编码方案，一个字符集只有惟一一个编码实现，二者是一一对应的。好比 GB2312，这种状况，不管你怎么去称呼它们，好比“GB2312编码”，“GB2312字符集”，说来讲去其实都是一个东西，可能它自己就没有特地去作什么区分，因此不管怎么说都不会错。

为何一对一是一种广泛的状况呢？

咱们以 GB2312 为例，GB=Guo Biao=国标=国家标准，标准出来原本就为了统一，你一个标准弄出 N 个编码实现来，你让人家用哪一个呢？

字符集与编码一对多的情形

事情到了 Unicode 这里，变得不同了，惟一的 Unicode 字符集对应了三种编码：UTF-8，UTF-16，UTF-32。若是仍是这么笼统地去称呼，就很容易搞混了。

为何 Unicode 这么特殊？

人们弄出新的字符集标准，驱动力无外乎是旧的字符集里的字符不够用了。

Unicode 的目标是统一全部的字符集，囊括全部的字符，因此字符集发展到它这里就到头了，再去整什么新的字符集就不必也不该该了。

但若是以为它现有的编码方案不太好呢？在不能弄出新的字符集状况下，只能在编码方面作文章了，因而就有了多个实现，这样一来传统的一一对应关系就打破了。

咱们严格地区分字符集与编码两个概念，理由就在这里：
指定了编码，它所对应的字符集天然就指定了，编码才是咱们最终要关心的。

Unicode 早期与如今的对比

因为历史方面的缘由，你还会在很多地方看到把 Unicode 和 UTF-8 混在一块的状况，这种状况下的 Unicode 一般就是 UTF-16 或者是更早的 UCS-2 编码，在后面的篇章中咱们会进一步分析。

记事本实例

咱们如今说了很多 Unicode，因为各类缘由，必须认可，在不一样的语境下，“Unicode”这个词有着不一样的含义。 它可能指： （1）Unicode 标准 （2）Unicode 字符集 （3）Unicode 的抽象编码（编号），也即码点（code point） （4）Unicode 的一个具体编码实现，一般即为变长的 UTF-16（16 或 32 位），又或者是更早期的定长 16 位的 UCS-2