字符集編碼的歷史出乎意料地復雜而有趣，打算花三個章節講講字符集編碼的來龍去脈。本篇講講 Unicode 出現之前字符集編碼領域的混沌與秩序

計算機起初是設計用來做數學計算的，Computer 一詞英文原意是“計算員”——在計算機發明之前，計算員是一個獨立的職業，專門做各種數學用表的計算，如測量和天文領域的三角函數表、對數表，航海領域的航海天文歷等。

計算機發明后不久，人們發現，這玩意除了能當計算員，還能當文員，用來處理人類社會的非數字信息。然而，計算機在設計上是只認識數字的（具體說是只認識二進制數字），要想讓它能夠識別并處理人類符號，就必須采取某種翻譯手段，在計算機的二進制數字和人類的符號之間做雙向轉換。

這種字符-數字的映射（轉換）關系本質上就是一張查找表，在理論上是很簡單的。我們先給人類的每個字符分配一個獨一無二的編號（character code，字符編碼），如圖：

然后通過外設（鍵盤）將字符輸入到計算機中，比如我們鍵盤上針對A、B、C分別都有按鍵。當我們按下“A”后，計算機通過查找表得知該字符的編碼是十進制 1，便使用二進制 00000001 在內部表示和存儲起來。

光存儲還不行，我們還要將計算機中的字符（編號）顯示或打印出來，所以還涉及到字庫。在顯示器上顯示某個字符，本質上是在一個n*n 的像素點陣中，讓某些位置的像素設置為黑色（用 1 表示），其它位置為白色（用 0 表示），比如中文“你”的點陣圖（注意不同字庫的點陣圖不同）：

這樣一個 16*16 的像素矩陣，需要 16 * 16 / 8 = 32 字節的空間來表示，右邊的“字模信息”稱為字形編碼。不同的字庫（如宋體、黑體）對同一個字符的字形編碼是不同的。

這里每個像素只需要黑、白兩種顏色，只需要一個位就行了，如果是彩色，則理論上需要 3 字節（RGB）來表示（當然這里沒考慮壓縮算法）。

所以這里涉及到另一張查找表：字符編碼-字形編碼的映射關系：

計算機根據用戶指定的字庫從中查出字符編碼對應的字形編碼值，輸送給相應的圖形處理程序進而顯示出來相應的字符。

整個輸入-轉碼存儲-輸出（顯示/打印）的流程簡單表示如下：

對于英文字符，直接在鍵盤上敲就行了，對于其他字符比如中文，則不是那么直觀，因為鍵盤無論如何也放不下那么多漢字，所以又要用到另一層轉換。我們稱計算機內部那個字符編碼稱為內碼，而外部用戶輸入用到的叫做外碼，比如中文輸入法用到的外碼有拼音、五筆碼、倉頡碼等，對于這種情況，還需要做一次外碼到內碼的映射。

文字處理系統需要考慮的事情非常多，絕非簡單進行編碼映射就行。比如英文單詞的換行、英文單詞的大小寫、中文的橫排豎排、阿拉伯語的連字處理等，文字處理系統需要能夠正確處理特定語言上下文。

我們接下來重點講上圖中“字符編碼”這塊。

源于美國

用今天的眼光看，這世界存在各種各樣的字符編碼標準，什么ASCII、 ISO-8859-1、GBK、Big5、Unicode 等——你有沒有想過，單單一個字符編碼，為啥會有這么多標準？這不是成心讓程序員頭大嗎？

現實中的標準從來都不是由某權威機構事先制定的，而是一些公司因自身需求（市場拓展需要）而發明出來一套游戲規則。每家公司都根據自身情況發明自己的游戲規則，各家之間規則彼此不同，自己玩沒事，跑到一起玩（互操作）就啞巴了。于是要么標準制定機構（如國家標準委員會、ISO 等）站出來，要么幾家龍頭企業湊到一起成立個某某聯盟，總之大家都有一個目標：統一游戲規則。

套用魯迅先生一句話就是：這世間本沒有標準，玩得人多了，便成了標準。

只有從這個角度看問題，才能理解為啥會存在那么多字符集編碼標準，為啥要有 Unicode，而 Unicode 的一些實現為啥怪怪的。

1964 年，IBM 推出其劃時代的大型機 System/360（怎么個劃時代請自行百度），為該大型機設計的字符集編碼標準叫 EBCDIC（Extended Binary Coded Decimal Interchange Code，擴展二進制編碼的十進制交換碼），這是一個單字節編碼方案，囊括了一些控制字符、數字、常用標點、大小寫英文字母：

EBCDIC 編碼。圖片來自百度百科

圖中行號表示字節高 4 位，列號表示字節低 4 位，行、列分別是十六進制 0~F，如 0x81 表示 a，0xC1 表示 A。注意表中英文單詞不是連續的，這給程序處理帶來些許麻煩。

4 年后，美國國家標準學會 ANSI(American National Standard Institute) 于 1968 年發布了著名的 ASCII(American Standard Code for Information Interchange美國信息交換標準碼) 編碼標準。ASCII 和 EBCDIC 一樣是單字節編碼，不過它吸取了 EBCDIC 的經驗教訓，給英文單詞分配了連續的編碼，方便程序處理。

ASCII 編碼（注意該表是列表示字節高 4 位）。圖片來自百度百科

其中前 32 個（0_{31）是不可見的控制字符，32}126 是可見字符，127 是 DELETE 命令（鍵盤上的 DEL 鍵）。

ASCII 和 EBCDIC 編碼相比，除了拉丁字母是連續排列的以外，ASCII 只用了一個字節的低 7 位，最高位永遠是 0。所以 ASCII 最多能表示 2^7 = 128 個字符，這對于當時美國來說已經足夠了。

別小看這個最高位的 0，這可以說是 ASCII 設計得最成功的一個地方，后面我們討論其它編碼規范的時候你會發現，正是有了這個最高位的 0 作為 ASCII 的標識，其它編碼規范才能對 ASCII 碼無縫兼容，這進而使得 ASCII 被廣泛接受，并于 1972 年被 ISO/IEC 采用作為國際標準（ISO/IEC 646），直至今日仍然是世界上最基礎、最重要、使用最廣泛的字符編碼標準之一。

EBCDIC 雖然用完了全部 8 個比特，理論上可以對 2^8 = 256 個字符進行編碼，但實際上其中有很多編號并沒有對應的字符，如圖中所示，其中有幾塊不連續的“空洞地帶”，其編碼遠沒有 ASCII 緊湊。由于 EBCDIC 的一些弊端，在 ANSI 推出 ASCII 編碼標準后，IBM 在其后來的個人計算機（PC）和工作站操作系統中不再使用自家的 EBCDIC，而是使用 ASCII。

個人計算機

1971 年，英特爾發布了世界上第一款微處理器 4004。這是一塊 4 位微處理器（現在都是 64 位了），10 微米的工藝（現在是 10 納米以下工藝），尺寸為 3*4mm，工作頻率為 108KHz，每秒運算 6 萬次。

第一枚微處理器 Intel 4004

用今天的標準看，這玩意算力不高，但它的突破性在于尺寸，只有幾毫米見方，用當時的眼光看，可以用“微”來形容。

CPU 尺寸的大大縮小使得計算機體積大大降低，讓計算機能夠放在個人辦公桌上，而不是只能呆在專門的機房里（想想第一臺電子計算機 ENIAC 占地 170 平米，你我的房子都裝不下)。另一個（但同樣重要的）結果是使得計算機的生產成本大大降低——這兩點讓普通公司和個人擁有計算機成為可能。

因而在微處理器出世后的七八十年代，是個人計算機的井噴年代。

1975 年愛德華·羅伯茨的 MITS 公司制造了世界上第一臺微型計算機 Altiar 8800，售價僅為 397 美元（IBM 大型機 System/360 售價在 300 萬美元左右）。

第一臺微型計算機 Altiar 8800

注意：關于誰是第一臺個人計算機、第一臺微型計算機的說法是有爭議的（甚至包括微處理器也是如此），很多公司都說自己是第一，所以如果在其他地方看到不同的答案不要大驚小怪。

另外，雖然今天我們覺得個人擁有計算機是再正常不過的事情（沒有才不正常），但 20 世紀 70 年代早期人們可不這樣想，很多公司的第一反應是：個人要計算機干嘛？很多公司由于認知上的局限而錯失 PC 浪潮（比如施樂）。

1975年，比爾·蓋茨和保羅·艾倫創辦微軟。

1976年，史蒂夫·喬布斯和史蒂夫·沃茲尼亞克創辦蘋果。

1981 年，IBM PC 問世。IBM PC 對整個行業產生了深遠影響。各大公司紛紛批量購入，從此個人電腦在辦公中發揮了越來越重要的作用。IBM PC 使用了微軟開發的 MS-DOS 操作系統，微軟隨之崛起。

1981 年發布的 IBM PC

——等等，我們不是要聊字符編碼嗎，怎么聊起個人計算機了？

如果沒有個人計算機的普及，世界上壓根不會出現那么多字符集編碼，甚至不需要 Unicode。

像 System/360 那樣的大型機，一臺幾百萬美元（折合現在要2000多萬美元），只有像航天局、銀行、航空公司等才需要用到，小公司和個人消費者怎么也不會買——這種情況下，即便需要多語言編碼標準，也不會涌現那么多的字符集，甚至很可能不會出現像 Unicode 這樣的統一編碼標準。

正是個人計算機的普及使得計算機在全世界范圍內變成了日常辦公用品，而軟硬件制造商在國際化過程中便必然面臨一個問題：原先的 ASCII 編碼標準無法表示其他國家的語言符號。

歐洲

制造商們在進入歐洲市場的時候就遇到了麻煩。

歐洲的主流語言雖然也是用拉丁字母，但卻存在很多擴展體，比如法語的 é，挪威語中的 ?，都無法用 ASCII 表示。

于是這些公司的技術人員就發揮自己的聰明才干。大家發現，ASCII 編碼字節中，最高位是沒有用到的（總是 0），既然這樣，為何不把這一位用起來呢，這樣能表達的字符數又多了 128 個，對于歐洲主流語言足夠了。

于是，各公司開始在 ASCII 的基礎上擴展出自己的字符集：當最高位是 0 的時候仍然表示原先的 ASCII 字符不變，當最高位是 1 時表示擴展字符——這樣既完美兼容了原先的 ASCII，又能表達歐洲國家特定字符。比如 IBM 的 codepage 437 用來編碼歐洲主要語言字符（主要是西歐字符），codepage 852 編碼東歐國家的拉丁字母，codepage 855 編碼西里爾字符（如俄語）。微軟為 Windows 制定了 codepage 1252 用于編碼西歐字符。蘋果、施樂等也都在制定自己的 codepage 標準。

這里存在兩個問題，一是各個公司各自制定自己的擴展編碼，相互之間互不兼容；二是即便加上 128 個字符仍然無法表達所有的歐洲字符。

為了解決這兩個問題，國際標準化組織 ISO 和 IEC 聯合制定了一組標準叫 ISO/IEC 8859（簡稱 ISO 8859）。注意 ISO 8859 并不是一套具體的字符集編碼標準，而是一組字符集的合稱，稱為 ISO/IEC 8859-n，n=1,2,3,...,15,16(其中12未定義，所以共15個)。

這些字符集編碼標準都是單字節編碼，前128 個字符編碼（最高位為 0）和 ASCII 一樣，后 128 個字符各自分配給不同的語系。ISO 8859 的各編碼都兼容 ASCII，但彼此互不兼容（即 0~127 范圍的大家都表示相同的字符，128~255 的各自表示各自體系里面的字符）。

其中使用最廣泛的是 ISO/IEC 8859-1，又稱 latin 1，收錄了西歐常用字符，包括德語、意大利語、葡萄牙語、西班牙語等（由于 latin 1 中沒有法語的 ?、?、?，所以法語用的 ISO 8859-15 字符集）。

ISO/IEC 8859-1 字符集，注意 007F 之前和 ASCII 是一致的

上文說的字符 ? 在此處用 00C5 表示。

其余從 ISO 8859-2 到 ISO 8859-16 收錄字符如下（部分）：

ISO/IEC 8859-1 (Latin-1) - 西歐語言
ISO/IEC 8859-2 (Latin-2) - 中歐語言
ISO/IEC 8859-3 (Latin-3) - 南歐語言。
ISO/IEC 8859-4 (Latin-4) - 北歐語言
ISO/IEC 8859-5 (Cyrillic) - 斯拉夫語言
ISO/IEC 8859-6 (Arabic) - 阿拉伯語
ISO/IEC 8859-7 (Greek) - 希臘語

......

東亞

當這些廠商進入東亞市場時，更頭大。

在歐洲，好歹能用 ASCII 高位保留的那個字節搞出個 ISO 8859 系列標準來，然而當他們面對幾萬個漢字時，一臉懵逼。

對于中日韓這種表意文字，單字節編碼根本行不通，要用兩個字節。日語方面制定了 Shift JIS 標準；繁體中文則由臺灣相關行業協會于 1984 年制定了 Big5 標準；簡體中文由中國國家標準總局于 1980 年制定了 GB 2312。

GB 碼

作為中國大陸公民，這里稍微深入聊下 GB 系列編碼標準。

GB 2312：

最初的標準是《信息交換用漢字編碼字符集》，由中國國家標準總局于 1980年發布、1981 年 5 月 1 日開始實施的一套國家標準，標準號為 GB 2312-1980，共收錄 6763 個漢字，另外還收錄了包括拉丁字母、希臘字母、日文平假名及片假名字母、俄語西里爾字母在內的 682 個字符。

GB 2312 是雙字節編碼。為了兼容 ASCII 碼，GB 2312 規定，漢字必須由兩個值大于 127（最高位是 1）的字節來表示；反過來說，如果一個字節的值小于等于 127（最高位是 0），則其和 ASCII 碼表示的字符相同（也就是此時就是 ASCII 碼）。

也就是說，在 GB 2312 里面，英文字母（以及 ASCII 中的標點）占 1 個字節，漢字占 2 個字節。

我們用 python 程序驗證下：

>>> bytes("A", "GB 2312")
b'A'
>>> bytes("啊", "GB 2312")
b'\xb0\xa1'

上面字母“A”占 1 個字節，字符“啊”占了兩個字節（字節值為 B0 A1，兩個字節的最高位都是 1，其中 B0 叫高位字節，A1 叫低位字節）。

也就是說，GB 2312 屬于變長編碼，用 1~2 個字節表示字符，而字節最高位的值決定了字符占用的字節數。

GB 2312 編碼表（部分）

注意看在 GB 2312 中，“(1)”、“(一)” 這種組合字符都分配了單獨的編碼（即將它們視為一個字符而不是多字符組合）， 這影響了后面 Unicode 的字符集設計。

區位碼：

GB 2312 采用區位碼的方式編碼。這種編碼方式將一個矩形區域劃分成 94 行 × 94 列，形成 94 × 94 共 8836 個格子，然后將字符填入這些格子中。

行和列分別從 1 開始往后編號，行叫做區，列叫做位，這樣形成 1~94 個區，每個區有 94 個位，其中的字符用區號+位號來表示。

區位矩陣示意圖。注意圖中區位編號是用十進制表示的

其中：

• 01~09區(682個)：特殊符號、數字、英文字符、制表符等，包括拉丁字母、希臘字母、日文平假名及片假名字母、俄語西里爾字母等在內的682個全角字符；

• 10~15區：空區，留待擴展；

• 16~55區(3755個)：常用漢字(也稱一級漢字)，按拼音排序；

• 56~87區(3008個)：非常用漢字(也稱二級漢字)，按部首/筆畫排序；

• 88~94區：空區，留待擴展。

例如“啊”字的區號是 16，位號是 01，區位號用十六進制表示就是 10 01。前面不是說漢字用兩個字節嗎，那么我們就將 10 放入第一個字節中（高位字節），01 放入第二個字節中（低位字節）——不對啊！這兩個值都小于 128 啊，按照前面的說法，表示漢字的兩個字節的最高位必須是 1，轉成數值也即是必須大于 127 才對。另外我們前面用 python 代碼打出來“啊”字的字節值明明是 B0 A1 啊。

所以說這個區位碼僅僅是給人類看的，邏輯上的編號，它不等于計算機里面的實際存儲表示。

區位碼在用計算機字節表示的時候，肯定要做某種轉換——至少要讓它大于 127。區位碼本身都是小于 128 的（最大才 94），所以它們的字節原碼的最高位都是 0，我們簡單地將最高位都變成 1 就行了——也就是在原來的值上加上 2^7 = 128 即可。

不過這樣得出來的值還不是最終的字節編碼值，計算機中最終的字節編碼值還要在此基礎上加上 32（至于為啥要加 32，大體原因是 GB 2312 想對 ASCII 中的可見字符重新進行了雙字節的全角編碼，但這其中要排除掉那些不可打印的控制字符以及空格，所以要將原始區位碼后移 32 位。對詳細信息感興趣的請自行百度）。也就是說，區位碼要加上 128 + 32 = 160（十六進制 A0）才是機器字節碼——為了和原始區位碼做區分，這個字節碼有個新名字叫內碼。

我們算下漢字“啊”的內碼。高位字節：16 + 160 = 176，轉成十六進制是 B0；低位字節：01 + 160 = 161，轉成十六進制是 A1，即“啊”字的內碼是 B0 A1，和前面 python 程序輸出的相吻合。

我們平時說某漢字的 GB 2312 編碼值一般就是指內碼。

三種碼值對照表。原始區位碼加 32 后的值也有個新名字叫“國標碼”

GBK：

1980 年的 GB 2312 只收錄了 6763 個漢字，雖然能滿足 99% 以上的使用場景，但對于一些生僻字（如一些人名、古文字）就沒辦法處理了。另外一個問題是，GB 2312 不支持繁體字。

所以 1995 年又制定了《漢字內碼擴展規范》（GBK，Guo Biao Kuozhan 的首字母，是對 GB 2312-1980 的擴展）。GBK 完全兼容 GB 2312，同時收錄了 Big5 中的全部繁體字，以及 GB 2312 中沒有的其他漢字，共計 21003 個漢字。

GBK 也是雙字節編碼。問題來了，GB 2312 中要求兩個字節的最高位必須是 1，那最多也只能表示 2^14 = 16384 個字符——不夠用啊。所以 GBK 只要求漢字的第一個字節（高位字節）的最高位必須是 1，第二位（低位字節）最高位可以是 0。

GB 18030：

隨著字符集編碼國際標準 ISO/IEC 10646 和 Unicode 的不斷發展，越來越多的字符被納入其中，而 GBK 一共才 2萬多個字符（主要是漢字），有點趕不上時代了。

中國在 GBK 制定后的第五年（2000 年）又制定了新標準 GB 18030-2000，用來替代 GBK 標準。GB 18030-2000 是強制性標準（GBK 只是指導性的），也就是說在中國大陸銷售的軟件必須支持 GB 18030-2000 標準。

GB 18030 的目標是向 Unicode/UCS 對齊（而 GBK 只是 GB 2312 到 Unicode 對齊進程的一個過渡性標準），2000 版的 GB 18030 在GBK 基礎上增加了 CJK 統一漢字擴充 A 的漢字（CJK 是中日韓的縮寫），GB 18030-2005 在 GB 18030-2000 基礎上增加了 CJK 統一漢字擴充 B 的漢字，收入漢字 70000 余個。另外 GB 18030-2005 還包含多種我國少數民族文字（如藏、蒙古、傣、彝、朝鮮、維吾爾文等）。

誠然，2 個字節已經不夠用了。GB 18030包含三種長度的編碼：單字節的 ASCII、雙字節的 GBK（略帶擴展）、以及用于填補所有Unicode 碼位的四字節 UTF 區塊。GB 18030 是完全兼容 GBK 的，同時其碼點足以囊括所有的 Unicode 編碼空間。

注意 GB 18030-2005 是部分強制性的——其中囊括的 GB 18030-2000 部分是強制性的，在中國大陸銷售的相關軟件必須要支持該部分。

代碼頁

我們知道，早期那些軟硬件制造商（IBM、微軟、蘋果等）在進入不同區域市場時，會單獨制定一套針對特定區域語言文字的字符集編碼標準，因而這些廠商內部都會持有很多套標準，這些字符集編碼標準在他們內部通過不同的編號來標識，并且起了個名字叫代碼頁（Codepage，又稱內碼表）。

每個廠商有自己的一套代碼頁，這些代碼頁僅供他們自己內部使用，雖然基本都兼容 ASCII，但不同的代碼頁之間（包括同一廠商內部以及廠商之間的）互不兼容。比如 IBM 針對歐洲市場的 codepage 437（西歐拉丁字母）、852（東歐拉丁字母）、855（西里爾字母） 等；微軟的 codepage 1251（西里爾字母）、 1252（西歐拉丁字母）、1253（希臘字母）等。

后來，一些標準化組織（如 ISO、ANSI、中國國家標準局）和聯盟（如 Unicode 聯盟）參與制定了若干標準后，廠商們也將這些標準納入到自己的代碼頁體系中。比如 GB 2312 在微軟代碼頁編號是 936，Big5 是 950，UTF-8 是 65001，UTF-32 LE 是 12000，UTF-32 BE 是 12001。

我們發現，UTF-8、UTF-32 都是對 Unicode 字符集編碼標準的不同實現方式，在代碼頁體系中分配了不同的編號（即UTF-8、UTF-32 LE、UTF-32 BE 屬于不同的代碼頁）。也就是說，代碼頁里面的編碼是計算機的實際字節碼，也就是字符在計算機中是怎么用字節表示的，這種編碼我們稱作“內碼”——這就是代碼頁又稱為“內碼表”的原因。

字符編碼有不同層次的表示，大體分為邏輯上（給人看的）和存儲上（給計算機看的）。比如我們前面提到的 GB 2312 的區位碼就屬于邏輯層面的編碼，而內碼則是存儲層面，如“啊”的區位碼是（十六進制）10 01， 內碼是 B0 A1。“啊”字在微軟 codepage 936 的編碼就是 B0 A1。“啊”字的 Unicode 編碼是 U+554A，該（邏輯層面的）編碼用 UTF-8 和 UTF-32 表示出來是不一樣的，其 UTF-8 編碼是 E5 95 8A，UTF-32 BE 編碼是 00 00 55 4A，UTF-32 LE 編碼是 4A 55 00 00（BE 表示大端表示法，LE 是小端表示法）。

另外代碼頁和一些標準之間不一定是完全等同的，往往是因某些標準滿足不了廠商的特定需求，廠商會在標準的基礎上做一些擴展，將標準納為代碼頁的子集。比如微軟的 codepage 1252 對應 ISO/IEC 8859-1（latin 1），同時對其做了擴展。

另一方面，由于某些廠商的產品被廣泛使用，其制定的代碼頁也就被其他廠商的產品支持。比如由于 IBM PC 在商業上的巨大成功，微軟的 MS-DOS 操作系統依賴其捆綁銷售，所以我們打開微軟的代碼頁列表可見里面有大量的 IBM 代碼頁，比如微軟的 codepage 437 就是對應的 IBM codepage 437，以及里面很多有“OEM”描述的基本都是 IBM 的代碼頁。具體參見：https://docs.microsoft.com/en-us/windows/win32/intl/code-page-identifiers。

微軟對 IBM 代碼頁的支持（部分）

Windows 的 ANSI 編碼

你在 Windows 上保存記事本文件時，在編碼欄會發現有個叫 ANSI 的編碼方式：

ANSI 是美國國家標準學會（American National Standards Institute），它是一個組織機構，被微軟放在這里作為編碼方式著實讓人摸不著頭腦。這要了解一下它的歷史。

在微軟開發 Windows 視窗操作系統時，美國國家標準學會 ANSI 正在制定針對西歐語言文字的 ASCII 擴展草案（該草案后來被 ISO/IEC 接受作為 ISO/IEC 8859-1 標準）。微軟當時基于該草案制定了一個代碼頁 codepage 1252 用來編碼西歐字符（注意微軟是基于草案制定的代碼頁，那時候 ISO/IEC 8859-1 還沒有對外發布。codepage 1252 是 ISO/IEC 8859-1 的超集）。微軟管這個代碼頁叫“ANSI codepage”（微軟官網對 codepage 1252 的描述是“ANSI Latin 1; Western European (Windows)”）。

也就是說，微軟說的 ANSI 編碼最早就是特指其基于 ANSI Latin 1 草案制定的 codepage 1252 這個代碼頁。

后來 Unicode 出現了，微軟的新版本 Windows 很快就支持了 Unicode（最開始是以 UTF-16 的形式，所以你在微軟的編碼選項里面會看到一項“Unicode”編碼項，就是指 UTF-16 編碼）。為了和 Unicode 編碼相區分，在 Windows 95 以及后續版本中，“ANSI 編碼”的含義已經不再單指 codepage 1252 了，而是指所有的非 Unicode 編碼方案——也就是說它不再表示一個代碼頁，而是表示一組代碼頁，具體表示哪個取決于系統設置，比如簡體中文環境就表示 codepage 936（GB2312）。

傳統編碼的問題

我們上面討論的這些編碼標準（ASCII、ISO/IEC 8859 系列、GB 系列、Big5 以及各軟硬件廠商自己制定的標準）都存在兩個問題：

1. 沒有哪個編碼標準能囊括全世界所有的字符，因而必須針對不同的文字符號制定不同的標準（如針對歐洲各語系的 ISO 8859 系列，針對簡體中文的 GB2312，針對繁體中文的 Big5，針對日語的 Shift JIS 等）。
2. 這些數目繁雜的標準之間互不兼容（比如同一個數字編號 1000 在 GB2312 和 Big5 里面表示的字符是不同的），因而軟件對一段文本一旦用錯了編碼標準就會出現亂碼。

以上問題導致的結果是，一個軟件要想用在不同語言的市場，就得同時支持多種編碼方式，特別在早期，這些工作都是各自廠商自己在做，耗費了大量的人力財力，而且還要不停地更新各種編碼標準。另外，由于各廠商對同一個語系的字符采用了不同的編碼標準，同樣一個法語文件，在軟件 A 中打開正常，在軟件 B 中可能就是亂碼，雖然 A 和 B 都支持法語字符。

總之，在很長一段時間，技術人員一邊要不厭其煩地開發、更新、兼容各種字符集編碼，另一方面又要受著各種亂碼問題的折磨。

直到 1987 年的某一天，這幫人中的幾個終于忍無可忍，湊到一起，決定開發一套能容納全世界所有字符的標準，一統天下。

在下一篇文章中，我們將聊聊這個能“一統天下”的新編碼標準：Unicode。

原文鏈接：《字符集編碼（上）：Unicode 之前》