中文编码：GB2312 / GBK / GB18030 与 Big5
字符的编码 讲的是今天怎么把字符变成字节（UTF-8 / UTF-16）。但在 Unicode 普及之前，中文早已要在计算机里落进字节——靠的是一套套国家 / 地区标准编码：大陆的 GB2312 → GBK → GB18030（一脉相承，后者是前者的超集），台 / 港的 Big5（另起一套，收繁体）。它们都把 ASCII 留作单字节、用双字节装汉字，GB18030 还多出 1 / 2 / 4 字节变长。
1 · 同一个字的五种字节
首字符会按它在四套编码里的落点拆解：ASCII、GB2312 区位码、GBK 扩展字，或只有 GB18030 装得下的 4 字节。
注 · 上图 GB2312 那一列按码位区段判定——某字的 GBK 字节若落在 EUC-CN 区（首字节 0xA1–0xF7、尾字节 0xA1–0xFE）就算「在 GB2312」。对汉字这判定是精确的（GBK 没在汉字区动过 GB2312 的码位）；但 GB2312 的符号区原本留有空位，GBK 往里补过个别字符（如欧元 € 是
GBK 才加的，严格不属 1980 年的 GB 2312–80）。另外现代浏览器与标准里 gb2312 这个 charset 标签实际走 GBK 解码器，解码层面二者已不区分。
2 · GB2312 的区位码
GB2312 把要收的字符排进一张 94 区 × 94 位的方表（区位码）：区 01–09 放标点 / 数字 / 字母等图形符号，区 16–55 放 3755 个一级汉字（按拼音排），区 56–87 放 3008 个二级汉字（按部首排）。存进机器时按 EUC-CN 规则，把区号、位号各加 0xA0 得到两个字节——加
0xA0 是为了让两个字节的最高位都为 1，这样它们绝不会和 0x00–0x7F 的单字节 ASCII 撞上，一段混排文本里「这是汉字的字节还是 ASCII」一眼可分。
3 · 谁是谁的超集
把四套编码的字节布局并排，就能看清「GB2312 ⊂ GBK ⊂ GB18030」这条线，以及 Big5 为何与它们互不相通。
| 编码 | 首字节 | 后续字节 | 字节数 | 收录 |
|---|---|---|---|---|
| ASCII | 00–7F |
— | 1 | 四套编码都把它留作单字节，完全兼容 |
| GB2312（1980） | A1–F7 |
A1–FE |
2 | 简体 6763 汉字 + 682 符号 |
| GBK（1995） | 81–FE |
40–FE（除 7F） |
2 | 全 20902 个 CJK（简 + 繁），GB2312 的超集 |
| GB18030（2000+） | 81–FE |
2 字节同 GBK；4 字节：30–39 / 81–FE / 30–39 |
1 / 2 / 4 | 全部 Unicode，GBK 的超集 |
| Big5（1984） | 81–FE |
40–7E 与 A1–FE |
2 | 繁体 13053 汉字 + 符号（台 / 港），另起一套 |
警示 · GBK 打开了「低字节坑」。GB2312 两个字节都不小于 0xA1；GBK 为了塞下两万多字，把尾字节范围下探到 0x40–0x7E——这一段和 ASCII 的字母 / 符号重叠。于是一个 GBK 汉字的第二个字节可能正好是
0x5C（\）、0x46（F）这类。把字节当 ASCII 逐个处理（比如按 \ 转义、按路径分隔符切分）的程序，就会把半个汉字误读成一个 ASCII 字符，典型的「\ 吃字」乱码。在上面的 lab 里输入「镕」即可看到它的第二个字节。
4 · GB18030 存在的理由
GBK 已经收了两万多汉字，看着够用，但它把容量用尽在双字节的 BMP 汉字上了，装不下两类东西：其一，Unicode 后来在补充平面追加的大批 CJK 扩展字（扩展 B 及以后，> U+FFFF）与 emoji；其二，中国境内的少数民族文字（藏文、蒙古文、维吾尔文、彝文……）以及 Unicode
里其余所有文字。于是需要一套编码同时满足两个看似冲突的要求：向后兼容已经铺开的 GBK 数据，老文件、老系统的字节一个都不用改；同时能无损往返全部 Unicode 码点（U+0000 – U+10FFFF）。
UTF-8 满足第二点，却不满足第一点——它的汉字字节和 GBK 完全不同。GB18030 的解法是：ASCII 仍 1 字节、原 GBK 字符仍用那 2 个字节，凡是这两者装不下的，一律用 4 字节。4 字节区与 Unicode 码空间一一映射，所以它本质是「Unicode 的一种中文味变换格式」，类似 UTF 但字节兼容 GBK。再加上它是强制性国家标准（在中国销售的操作系统 / 软件必须支持），GB18030 就成了既背得动历史包袱、又面向全 Unicode 的那个答案。
建议 · 认 4 字节序列有个简便特征。GB18030 的 4 字节形如 [81–FE] [30–39] [81–FE] [30–39]——第 2、4 个字节恒落在 0x30–0x39，正好是数字 0–9 的字节。补充平面字符（U+10000–U+10FFFF）更是线性映射：U+10000 =
90 30 81 30，一路连续到 U+10FFFF = E3 32 9A 35。
5 · 跨编码乱码
GB 系和 Big5 是两套互不相通的码表：同样的字节，按 GBK 解是一个意思，按 Big5 解就是另一批字。一段文本若丢失了「我是什么编码」的声明，收方只能猜——猜错就是满屏乱码。这正是两岸三地早年传文件最常见的麻烦，也是 <meta charset> 与 HTTP Content-Type 必须带 charset 的原因。
6 · 一条时间线
注 · 结局是世界收敛到 UTF-8。编码各自为政的代价就是上面那种乱码，以及每个程序都得猜 charset。Unicode 给了所有字符统一的 code point，UTF-8 给了统一的字节方案且向下兼容 ASCII，于是网页、源码、协议几乎全面转向 UTF-8。GB18030 仍在（强制国标、政务系统、需要和 GBK 老数据兼容的场景），但它和
UTF-8 一样，本质都是 Unicode 的一种字节表示——回到 字符的编码：逻辑层永远是那个 U+XXXX，变的只是存储层怎么拆字节。
7 · 参考文献
-
WHATWG. Encoding Standard. 定义了浏览器实际使用的
gbk/gb18030/big5解码表与gb2312 → gbk等标签别名——本页的字节就是用它规定的TextDecoder反查出来的。encoding.spec.whatwg.org - Wikipedia. GB 18030. 完整的码表布局与版本沿革。en.wikipedia.org
- Wikipedia. Big5. 台港繁体编码的布局与厂商扩展。en.wikipedia.org