从GB2312、GBK 到 GB18030,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 到 GB18030 都属于双字节字符集 (DBCS)。
以下是这四种字符集的包含关系:GB2312 < GBK < GB18030 < UTF8
-------------------------------------------------------------------------------------------
可以参考这个链接 http://www.fmddlmyy.cn/text24.html
-------------------------------------------------------------------------------------------
1980年的GB2312一共收录了7445个字符,包括6763个汉字和682个其它符号。
1995年的汉字扩展规范GBK1.0收录了21886个符号,包括21003个汉字和883个其它符号。
GB18030有两个版本:GB18030-2000和GB18030-2005。GB18030-2000是GBK的取代版本,它的主要特点是在GBK基础上增加了CJK统一汉字扩充A的汉字。GB18030-2005的主要特点是在GB18030-2000基础上增加了CJK统一汉字扩充B的汉字。
否则在处理部分文件时,进行转换编码转换的时候,会出现转不了的情况,就会报错。
比如在PYTHON里,
for l in open('abc_gb18030.txt'): ls = l.rstrip('\n').decode('gbk').encode('utf8').split('\t') print ls
abc_gb18030.txt是GB18030编码,在代码里,先转成了GBK,然后又转成了UTF8,因为在向GBK转换的时候,是又一个较大字符集往小的字符集转,所以就会报错。
版权声明:本文为博主原创文章,未经博主允许不得转载。