一、很多網站源碼是分為GBK和UTF-8版，要同時開發兩種的原因

GBK是微軟基于中國國標GB2312發展來的，是Windows中文版的缺省編碼。一個文本沒有特別的編碼標識符情況下，會被中文Windows識別為GBK編碼。而UTF-8在Windows系統下，微軟是規定需要有UTF8BOM標示符才行的。因此，GBK編碼的使用，主要是為了兼容Windows系統。UTF8則是Linux的標準編碼，而且Linux標準中UTF8是不允許帶BOM標示符的，Linux只允許UTF16，UTF32這些編碼帶BOM。因此，沒有任何標示符的情況下，會被Linux識別為UTF8編碼，對UTF8的支持可以更好的兼容Linux平臺。Linux中使用GBK，或者Windows中使用UTF8，當然也可以，只不過，可能需要額外的折騰或者遇上額外的問題，有經驗的程序員才能很好的處理。現在很多Linux程序員會試圖在Windows下也使用UTF8。如果你是老手，隨便選一個編碼都可以。但如果你是新手小白，那么較好是在Windows中使用GBK，Linux中使用UTF8。簡要的來說，那些網站本身允許你部署到Windows或者Linux，而這兩個平臺的缺省編碼不同，這種網站源碼本身就是為了讓最入門的初級程序員也能成功部署，所以做了兩個版本用來兼容兩個不同的操作系統平臺。

二、ASCII、Unicode、GBK和UTF-8概述

1、基礎知識

計算機中儲存的信息都是用二進制數表示的；而我們在屏幕上看到的英文、漢字等字符是二進制數轉換之后的結果。通俗的說，按照何種規則將字符存儲在計算機中，如’a’用什么表示，稱為“編碼”；反之，將存儲在計算機中的二進制數解析顯示出來，稱為“解碼”，如同密碼學中的加密和解密。在解碼過程中，如果使用了錯誤的解碼規則，則導致’a’解析成’b’或者亂碼。

字符集（Charset）：是一個系統支持的所有抽象字符的集合。字符是各種文字和符號的總稱，包括各國家文字、標點符號、圖形符號、數字等。

字符編碼（Character Encoding）：是一套法則，使用該法則能夠對自然語言的字符的一個集合（如字母表或音節表），與其他東西的一個集合（如號碼或電脈沖）進行配對。即在符號集合與數字系統之間建立對應關系，它是信息處理的一項基本技術。通常人們用符號集合（一般情況下就是文字）來表達信息。而以計算機為基礎的信息處理系統則是利用元件（硬件）不同狀態的組合來存儲和處理信息的。元件不同狀態的組合能代表數字系統的數字，因此字符編碼就是將符號轉換為計算機可以接受的數字系統的數，稱為數字代碼。

常見的字符集有ASCII字符集、GB2312字符集、BIG5字符集、GB18030字符集、Unicode字符集等。計算機要準確的處理各種字符集文字，需要進行字符編碼，以便計算機能夠識別和存儲各種文字。

2、ASCII 碼

我們知道，計算機內部，所有信息最終都是一個二進制值。每一個二進制位（bit）有0和1兩種狀態，因此八個二進制位就可以組合出256種狀態，這被稱為一個字節（byte）。也就是說，一個字節一共可以用來表示256種不同的狀態，每一個狀態對應一個符號，就是256個符號，從00000000到11111111。

上個世紀60年代，美國制定了一套字符編碼，對英語字符與二進制位之間的關系，做了統一規定。這被稱為 ASCII 碼，一直沿用至今。ASCII 碼一共規定了128個字符的編碼，比如空格SPACE是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符號（包括32個不能打印出來的控制符號），只占用了一個字節的后面7位，最前面的一位統一規定為0。

3、非 ASCII 編碼

英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用 ASCII 碼表示。于是，一些歐洲國家就決定，利用字節中閑置的較高位編入新的符號。比如，法語中的é的編碼為130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示非常多256個符號。

于是就產生了擴展ASCII編碼表，但是，這里又出現了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel (?)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0–127表示的符號是一樣的，不一樣的只是128–255的這一段。

至于亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節只能表示256種符號，肯定是不夠的，就必須使用多個字節表達一個符號。比如，簡體中文常見的編碼方式是 GB2312，使用兩個字節表示一個漢字，所以理論上非常多可以表示 256 x 256 = 65536 個符號。

4、Unicode

世界上存在著多種編碼方式，同一個二進制數字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什么電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。

可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那么亂碼問題就會消失。這就是 Unicode，就像它的名字都表示的，這是一種所有符號的編碼。Unicode 當然是一個很大的集合，現在的規模可以容納100多萬個符號。每個符號的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字嚴。具體的符號對應表，可以查詢unicode.org，或者專門的漢字對應表。

5、Unicode 的問題

需要注意的是，Unicode 只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。比如，漢字嚴的 Unicode 是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說，這個符號的表示至少需要2個字節。表示其他更大的符號，可能需要3個字節或者4個字節，甚至更多。

這里就有兩個嚴重的問題，名列前茅個問題是，如何才能區別 Unicode 和 ASCII ？計算機怎么知道三個字節表示一個符號，而不是分別表示三個符號呢？第二個問題是，我們已經知道，英文字母只用一個字節表示就夠了，如果 Unicode 統一規定，每個符號用三個或四個字節表示，那么每個英文字母前都必然有二到三個字節是0，這對于存儲來說是極大的浪費，文本文件的大小會因此大出二三倍，這是無法接受的。

它們造成的結果是：出現了 Unicode 的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示 Unicode；Unicode 在很長一段時間內無法推廣，直到互聯網的出現。

6、UTF-8

互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8 就是在互聯網上使用最廣的一種 Unicode 的實現方式。其他實現方式還包括 UTF-16（字符用兩個字節或四個字節表示）和 UTF-32（字符用四個字節表示），不過在互聯網上基本不用。重復一遍，這里的關系是，UTF-8 是 Unicode 的實現方式之一。

UTF-8 最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~4個字節表示一個符號，根據不同的符號而變化字節長度。UTF-8 的編碼規則很簡單，只有二條：

對于單字節的符號：字節的名列前茅位設為0，后面7位為這個符號的 Unicode 碼。因此對于英語字母，UTF-8 編碼和 ASCII 碼是相同的；對于n字節的符號（n > 1）：名列前茅個字節的前n位都設為1，第n + 1位設為0，后面字節的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符號的 Unicode 碼。

解讀 UTF-8 編碼非常簡單。如果一個字節的名列前茅位是0，則這個字節單獨就是一個字符；如果名列前茅位是1，則連續有多少個1，就表示當前字符占用多少個字節。下面，還是以漢字嚴為例，演示如何實現 UTF-8 編碼。

嚴的 Unicode 是4E25（100111000100101），根據上表，可以發現4E25處在第三行的范圍內（0000 0800 – 0000 FFFF），因此嚴的 UTF-8 編碼需要三個字節，即格式是1110xxxx 10xxxxxx 10xxxxxx。然后，從嚴的最后一個二進制位開始，依次從后向前填入格式中的x，多出的位補0。這樣就得到了，嚴的 UTF-8 編碼是11100100 10111000 10100101，轉換成十六進制就是E4B8A5。

7、Unicode 與 UTF-8 之間的轉換

通過剛才的例子，可以看到嚴的 Unicode碼 是4E25，UTF-8 編碼是E4B8A5，兩者是不一樣的。它們之間的轉換可以通過程序實現。Windows平臺，有一個最簡單的轉化方法，就是使用內置的記事本小程序notepad.exe。打開文件后，點擊文件菜單中的另存為命令，會跳出一個對話框，在最底部有一個編碼的下拉條。

里面有四個選項：ANSI，Unicode，Unicode big endian和UTF-8。

ANSI是默認的編碼方式：對于英文文件是ASCII編碼，對于簡體中文文件是GB2312編碼（只針對 Windows 簡體中文版，如果是繁體中文版會采用 Big5 碼）；Unicode編碼這里指的是notepad.exe使用的 UCS-2 編碼方式：即直接用兩個字節存入字符的 Unicode 碼，這個選項用的 little endian 格式；Unicode big endian編碼與上一個選項相對應：我在下一節會解釋 little endian 和 big endian 的涵義；UTF-8編碼：也就是上一節談到的編碼方法。

選擇完“編碼方式”后，點擊“保存”按鈕，文件的編碼方式就立刻轉換好了。

延伸閱讀1：GB 18030的特點：

與UTF-8相同，采用多字節編碼，每個字可以由1個、2個或4個字節組成；編碼空間龐大，非常多可定義161萬個字符；支持中國國內少數民族的文字，不需要動用造字區；漢字收錄范圍包含繁體漢字以及日韓漢字。