【C语言】多字节字符、宽字符（涉及字符集和编码）

字符集、编码：

字符集：一个系统支持的所有抽象字符的集合。字符是各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等。例如：ASCII、Unicode、GB2312、GBK、GB18030、BIG5(繁体中文) ...

编码方式：符号集合与数字系统之间的对应关系，是信息处理的一项基本技术，将符号转换为计算机可以接受的二进制数值。例如：ASCII、UTF-8、UTF-16、UTF-32、GB2312、GBK、GB18030 ...

① ASCII：编码范围0x00-0x7F(即0-127)，只用7位二进制就表示所有英文字符(128个字符)。ASCII是单字节编码，一个字符占1个字节。

② Unicode字符集：称为统一码、万国码、国际码。编码范围0x0000-0x10FFFF，包括100多万个字符。每个字符都有一个二进制数值(码值、码点)，例如：字符"A"的码点为"0x0041"，字符"中"的码点为"0x4E2D"。

Unicode字符集有3种存储方式：UTF-8，UTF-16，UTF-32。

• UTF-8 编码：广泛使用的编码方式。可变长度编码规则，一个字符1-4个字节，不同字符占用字节数不同。前128个字符(ASCII)，一个字符占1个字节。一个汉字一般占用3个字节。UTF-8不需要BOM来表明字节顺序，但可以表明编码方式。
• UTF-16 编码：对应UCS-2(Universal Character Set coded in 2 octets)，一个字符占2个字节，范围为 U+0000～U+FFFF。需要识别字节顺序(大端或小端)。需要BOM(Byte Order Mark, 放在文档开头告诉阅读器该文档的字节序)。
• UTF-32 编码：对应UCS-4，一个字符占4个字节，范围为 U+00000000～U+7FFFFFFF，其中 U+00000000～U+0000FFFF和UCS-2一样。需要BOM(Byte Order Mark)。

③ GB2312：中国国家标准简体中文字符集，专门用于汉字处理、汉字通信信息交换等。GB2312是对ASCll码的扩展，一个汉字占用两个字节。只有6000多个汉字。

GBK：《汉字内码扩展规范》，GB2312的扩展，有2万多个码值。一个汉字占用两个字节。一般看到936就知道是GBK。

GB18030：国家标准GB 18030-2005《信息技术中文编码字符集》，中国最新的内码字集。与GB 2312完全兼容，与GBK基本兼容，支持Unicode的全部统一汉字。是变长编码方式，可以是1个字节、2个字节和4个字节。

UTF-8编码格式

字节	十六进制	格式	实际编码位	码点范围
1字节	0x0000-0x007F	0xxxxxxx	7	0 ~ 127
2字节	0x0080-0x07FF	110xxxxx 10xxxxxx	11	128 ~ 2047
3字节	0x0800-0xFFFF	1110xxxx 10xxxxxx 10xxxxxx	16	2048 ~ 65535
4字节	0x010000-0x10FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx	21	65536 ~ 2097151

补充：字节顺序(Byte Order)是计算机存储和表示多字节数据的方式，包括大端模式（Big Endian）和小端模式࿰