计算机中所有的数据都是用二进制来表示的，这些二进制对于人类而言，阅读起来并不友好。所以就出现了字符编码，使用不同的二进制数据来表示不同的字符。当我们进行电子文档阅读的时候，计算机会将二进制的数据解码成对应的字符，以人类语言可读的方式呈现给用户。不同的编码方式就会产生不同的字符集，每种字符集都有其独特的编码解码方式，使用A字符集的解码方式去解码B字符集的文档就会出现乱码的情况。
计算机诞生于美国，所以在计算机诞生之初，仅支持英文的编码。在英语中只有26个英文字母（包括大小写）以及一些特殊的标点符号，再加上计算中的一些特殊字符，如回车换行等，所有的这些字符加在一起也就100多个，使用一个字节（8位）足以表示这些所有的字符。二进制中，8位的二进制数总共有 0 ~ 255 共 256 个值，在最初的时候，仅仅用了7位就足以表示所有的字符。
后来随着计算机的推广普及，计算机销售到了欧洲、亚洲，为了满足不同国家不同语言的使用需求，随后出现了更多的字符编码。以下列举了常用的字符集：
ASCII字符集
- 定义：ASCII（American Standard Code for Information Interchange，美国信息交换标准代码）是基于罗马字母表的一套电脑编码系统，主要用于显示现代英语和其他西欧语言。
- 发展：ASCII第一次以规范标准的形式发表是在1967年，最后一次更新则是在1986年。它是最早出现的最原始的字符集，至今仍然是计算机中最基础、最通用的字符编码标准之一。
- 特点：ASCII是7位编码，共128个字符，其中32到126是可打印字符，包括英文字母、阿拉伯数字和标点符号等。为了表示更多的欧洲常用字符，ASCII进行了扩展，使用8位表示一个字符，共256个字符。
GB2312字符集
- 定义：GB2312又称为GB2312-80字符集，全称为《信息交换用汉字编码字符集·基本集》，是中国国家标准的简体中文字符集。
- 发展：GB2312由中国国家标准总局发布，于1981年5月1日实施。它基本满足了汉字的计算机处理需要，覆盖了当时中国大陆99.75%的使用频率。
- 特点：GB2312共收录7445个字符，包括6763个汉字和682个其他字符（如拉丁字母、希腊字母、日文假名等）。它对所收汉字进行了“分区”处理，每区含有94个汉字/符号，并采用了两个字节的编码方式。
BIG5字符集
- 定义：BIG5又称为大五码或五大码，是台湾地区使用的繁体中文字符集。
- 发展：BIG5由台湾财团法人信息工业策进会和五家软件公司于1984年创立，以解决当时台湾不同厂商各自推出不同编码且彼此不能兼容的问题。
- 特点：BIG5共收录13,053个中文字符，使用双字节储存方法。尽管它包含了大量的繁体中文字符，但并未收录所有流通的汉字，如人名、地名用字等。
GB18030字符集
- 定义：GB18030的全称是GB18030-2000《信息交换用汉字编码字符集基本集的扩充》，是中国政府于2000年发布的新的汉字编码国家标准。
- 发展：GB18030字符集标准的出台经过广泛参与和论证，旨在解决汉字、日文假名、朝鲜语和中国少数民族文字组成的大字符集计算机编码问题。
- 特点：GB18030字符集标准的字符总编码空间超过150万个编码位，收录了27484个汉字，覆盖中文、日文、朝鲜语和中国少数民族文字。它与Unicode 3.0版本兼容，并填补了Unicode扩展字符字汇“统一汉字扩展A”的内容。
Unicode字符集
- 定义：Unicode是Universal Multiple-Octet Coded Character Set（通用多八位编码字符集）的简称，由Unicode学术学会（Unicode Consortium）制订的字符编码系统。
- 发展：Unicode于1990年开始研发，1994年正式公布，最新版本是2012年1月31日的Unicode 6.1（注意：此版本信息已较旧，Unicode仍在不断更新中）。
- 特点：Unicode为每种语言中的每个字符设定了统一且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。它支持现今世界各种不同语言的书面文本的交换、处理及显示。
在 Unicode 字符集中又有许多不同的版本：UTF-8、UTF-16、UTF-32是三种不同的Unicode编码方式，它们各自具有不同的特点和应用场景。
UTF-8
定义与特点：
- UTF-8（Unicode Transformation Format-8）是一种基于Unicode的可变长度字符编码，兼容ASCII，广泛用于互联网数据交换。
- 它使用1到4个字节来表示一个字符，根据字符在Unicode中的位置决定所需的字节数量。
- 对于ASCII字符（U+0000至U+007F），UTF-8编码与ASCII编码相同，即单字节编码，最高位为0。
- 对于非ASCII字符，UTF-8采用多个字节进行编码，每个字节除了高位用来标识这是一个多字节序列的一部分外，其余位包含实际字符编码信息。
优点：
- 兼容ASCII：对于只包含ASCII字符的文本，UTF-8和ASCII编码是相同的，因此对现有系统的影响最小。
- 解决乱码问题：因为UTF-8能够统一表示世界上几乎所有的书写系统字符，包括拉丁字母、西里尔字母、汉字、日文假名等，所以它解决了不同语言文字编码不兼容的问题。
- 节省存储空间：由于UTF-8编码可以根据字符的不同长度进行压缩，因此在存储和传输文本数据时可以节省存储空间和带宽。
缺点：
- 由于是可变长度编码，处理速度可能不如固定长度编码。
UTF-16
定义与特点：
- UTF-16是另一种Unicode编码方式，使用16位（即2字节）或32位（即4字节）二进制来表示字符。
- 它源于UCS-2，是Unicode最早的编码方式之一。UCS-2编码仅覆盖了基本平面（即BMP，第0平面）中的码点，使用固定的两字节将字符编号（类似于Unicode中的码点值）直接映射为字符编码。
- 为支持增补平面（平面1至16，码点范围为0x10000至0x10FFFF）中的字符，UTF-16引入了“代理（代替）机制”，使用两个基本平面中未定义的码点合起来代替一个增补平面的码点，从而成为一种变长编码方式。
优点：
- 对于大部分常用字符，UTF-16使用两个字节表示，处理速度较快。
- 能够表示Unicode字符集中的所有字符。
缺点：
- 存在字节序问题（大端序和小端序），可能导致信息交换时出现乱码。
- 对于某些增补平面中的字符，需要使用四个字节表示，增加了存储空间的使用。
UTF-32
定义与特点：
- UTF-32是Unicode编码方式中最为简单的一种，它将每个Unicode字符码点值直接表示为一个32位的码元序列。
- 因此，UTF-32是一种固定宽度（也称为等宽、等长或定长）的Unicode字符编码方式。
优点：
- 处理速度快：由于UTF-32是定长编码，因此在文本处理速度上是三种UTF编码方式中最快的。
- 能够直接表示Unicode字符集中的所有字符，无需使用复杂的代理算法。
缺点：
- 存储空间浪费：即使是ASCII字符，在UTF-32中也需要占用32位（即四个字节），这在三种UTF编码方式中无疑是最为浪费存储空间的。
