认识
在计算机科学中，字符是一个信息单位，它指的是一个书写符号的最小单位。
它可以是个：
- 字母：A, b, Ω, あ
- 数字：1, ②，五
- 标点符号：!，。，、
- 空格：` `
- 控制字符：换行符、退格键（这些在屏幕上不直接显示，但控制文本的格式）
- 其他符号：$, ©, ❤
关键点：字符是一个抽象概念。我们看到的是“A”这个形状，但计算机内部并不直接存储这个形状。
组成
字符
一个抽象的文本单位（如字母‘A’）。
字形
字符的视觉呈现形式（如‘A’的不同字体：A, 𝔄, 𝖠）。
字符集
字符集，其是一个所有可用字符的集合。它定义了“我们有哪些字符”。例如：“这个字符集包含 26 个英文字母、10 个数字和常用标点。”
码位
在字符集中，字符被分配的唯一数字 ID，例如，在 Unicode 中，U+4E2D、……
字符编码
计算机只能处理二进制数字（0 和 1）。因此，我们需要一套规则，将抽象的字符映射成数字，该过程涉及字符编码概念。
其是套规则，将码位与二进制字节的转换规则。其规定了如何将字符集中的每个字符转换成唯一的二进制数字（码位），以及如何存储这些数字。它解决“我们如何用数字表示和存储这些字符”的问题。
ASCII（美国信息交换标准代码）
扩展 ASCII 与本地化编码
- GB2312 / GBK：中国大陆的标准，用于表示简体中文。一个中文字符用两个字节表示。
- BIG5：台湾和香港地区的标准，用于表示繁体中文。
- ISO-8859-1 (Latin-1)：用于西欧语言，可以表示法语、西班牙语中的重音字符。
Unicode（统一码、万国码）— 现代的解决方案
- 核心思想：字符集与字符编码分离。
- 字符集（Unicode 标准）：它定义了一个巨大的字符表，为每个字符分配一个唯一的码位。针对码位，其通常写作 `U+XXXX` 的形式，例如：`A` -> U+0041，`中` -> U+4E2D，`😊` -> U+1F60A
- 字符编码（如 UTF-8, UTF-16）：这些是实现方案，规定了如何将这些码位（U+XXXX）转换成实际的二进制字节流。
全角 and 半角
全角的诞生 – 扩展编码的产物。当计算机传入亚洲国家（如中国、日本、韩国）后，数量庞大的象形文字无法被仅 128 个位置的 ASCII 码容纳。为了解决这个问题，各国制定了各自的扩展编码标准（如中国的 GB2312、GBK）。在这些标准中，原本的 ASCII 字符保持半角（1 Byte），而新加入的汉字和为了与汉字宽度匹配的标点符号则被定义为全角（占用 2 Byte 的存储空间）。
为了统一全球所有字符的编码，Unicode（万国码）诞生了。在 Unicode 中，每个字符（无论是英文‘A’还是中文‘中’）都有一个唯一的码点。全角标点和半角标点是两个不同的字符，拥有不同的 Unicode 码点。
在输入法中，针对“全角”与“半角”概念，其通常指的是不同语言中的标点符号。
组成
字符集 Character Set
GB2312、GBK、GB18030 这几种字符集的主要区别是什么？
Wikipedia/Unified Hangul Code
该部分整理了些常见字符集，并进行了简单介绍。
| 名称 | 描述 |
|---|---|
| Unified Hangul Code (UHC)/Extended Wansung/Code Page 949 | 是韩语的字符集 |
| GB 2312/GB 2312-80 | 中国国家标准简体中文字符集，全称《信息交换用汉字编码字符集·基本集》，又称 GB 0，由中国国家标准总局发布，共收录 6763 个汉字。 |
| GBK | 汉字内码扩展规范，Chinese Internal Code Specification，是微软对 GB2312 的扩展，共收入 21886 个汉字和图形符号。 |
| GB18030 | 国家标准 GB 18030-2005《信息技术中文编码字符集》，共收录汉字 70244 个。 |
应用
乱码：当用于解码文本的编码方案与当初编码它时使用的方案不一致，就会产生乱码。解决方法是确保使用正确的编码。
现代开发：在今天的软件开发中，最佳实践是始终使用 UTF-8 编码。这能最大程度地避免跨语言、跨平台的字符显示问题。
字符串长度：在编程中，一个字符串的“长度”可能有两种含义：
- 字节数：存储这个字符串所需的字节数量（在 UTF-8 中，一个中文字符通常是 3 个字节）。
- 字符数：字符串中包含的抽象字符的数量（一个中文字符是 1 个字符）。
参考
DeepSeek / 介绍计算机中字符的概念