关于文字代码(character code)

为了理解计算机处理文字的编码/表示，首先需要分清楚三个概念（这些概念经常被混淆）。 1，character repertoire (字符列表) 这是指某个特定的可表示的字符集合。 例如： the Japanese syllabaries and ideographs of JIS X 0208 (CS 01058) [fixed] the Western European alphabets and symbols of Latin-1 (CS 00697) [fixed] the POSIX portable character repertoire [fixed] the IBM host Japanese repertoire (CS 01001) [fixed] the Windows Western European repertoire [open] the Unicode/10646 repertoire [open] 2, character code (字符代码) 把character repertoire中的每一个字符分别赋予一个非负的数字，建立一个字符与数字的一一对应关系。这些数字就是character code。 character code中的数字并不一定是连续的，事实上，有些数字可以被保留作为control function (控制代码)。 character code有很多别名：code position,code number, code value, code element, code point, code set value , code 例如：JIS X 0208, ISO 8859-1,ISO 8859-2, ISO 8859-n, UNICODE等等 3，character encoding (字符编码) 把一个字符串相对应的character codes转换成计算机中的一串字节流的method/algorithm(方法/算法)称为character encoding。 例如：JIS ENCODING, EUC ENCODING, ISO 8859-1,ISO 8859-2, ISO 8859-n, UTF-16, UTF-8等等 这三个概念是分开的，他们之间可以是一对多的关系。比如，同一个character repertoire可以有不同的character codes；同一个 character repertoire/character codes 可以采取不同的character encoding。不过，有些标准同时规定了character repertoire/character codes/character encoding，建立了一一对应的关系，比如ISO 8859，Windows CodePages 等等。 ★ Windows CodePages跟ISO 8859并不完全相等，DOS CodePages (OEM CodePages)差别更大。 ★ ISO 2022 和 ISO 4873 为 8bits/7bits codes 建立了一个encoding的通用框架(general framework)，很多标准都遵从这个框架（当然，一般只是框架中的一个子集）；但Windows CodePages并不遵从这个框架。   参考资料： http://www.cs.tut.fi/~jkorpela/chars.html http://www.unicode.org/unicode/reports/tr17/ http://euc.jp/i18n/charcode.ja.html