字符集笔记

字符集、字符编码

通常容易让人犯晕的是：字符集、字符编码这两个概念。例如 HZ / EUC-CN 和 GB2312，UTF-8、UTF16 / UCS-2 和 Unicode / ISO 10646。为了避免这个问题，首先将字符集、字符编码区分清楚。

字符集（Character set，Charset）：一个特定的字符集合。字符是各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等。通常，字符集会有配套的字符编码方式。例如 GB2312 / GBK 使用的区位码表。
字符编码（Character encoding）：在字符（如英文字母、汉字）与其他东西（如数字、脉冲等）之间建立映射关系的编码系统。在本文特指字符 <-> 数字映射。有的编码方式直接采用已有的字符集，如 HZ 直接使用 GB2312 的字符集。

以计算机为基础的信息处理系统利用元件（硬件）不同状态的组合来存储和处理信息，元件不同状态的组合能代表数字系统的数字，因此字符编码就是将符号转换为计算机可以接受的数字系统的数，称为数字代码。

通常我们以“字符集”指代“字符集及其字符编码方式”，因此会有 “UTF-8 字符集”这种说法。这个叫法在 Unicode Transformation Format（UTF）（中文译名：Unicode 转换格式）出现之前通常不会造成困扰（一个例外是 HZ），各种字符集都包含与之对应的编码方式。

MS-DOS、Windows，IBM OS/2 的 Code Page（ CP ）实际上也是字符集+字符编码方式。例如 CP936 可以近似认为是 GBK 的别名。
Unix 所使用的 Extended Unix Code 是一个字符集和字符编码集合。EUC-CN 可以近似的认为是 GB2312 的别名，EUC-KR 是基于 KS X 1001 和 KS X 1003 字符集发展而来的变长编码方式。
Unicode Transformation Format（UTF）则没有定义字符集，后面会提到，UTF-8 实际上是一种使用 Unicode 字符集的编码方式。

常见的字符集及编码

以下只列举中文环境下常见的字符集和编码方式。

当前中国大陆常用的字符集为 GBK（ CP936 ），Unicode，GB18030。GB2312 有少量老系统使用。有少量 UNIX 类操作系统控制台默认使用 ISO 8859-1（ LATIN-1 ）字符集。

ASCII 字符集和编码

American Standard Code for Information Interchange（中文译名：美国信息交换标准代码）是基于拉丁字母的一套电脑编码系统。它主要用于显示现代英语，其扩展版本EASCII可以部分支持其他西欧语言。当前通用的绝大部分字符集及其编码方式均与 ASCII 保持兼容。

ASCII 第一次以规范标准的型态发表是在1967年，最后一次更新则是在1986年，至今为止共定义了128个字符。其中33个字符无法显示，多数都已是陈废的控制字符。

Hex	缩写	Unicode 符号	脱出字元表示法	转义字符	名称	含义
0	NUL	␀	^@	\0	空字符（NULL）	标识字符串结尾，特别是在 C/C++ 语言中。
1	SOH	␁	^A		标题开始（Start of Heading）	标识消息头开始。
2	STX	␂	^B		本文开始（Start of Text）	标识文本头开始。
3	ETX	␃	^C		本文结束（End of Text）	通常被用作中断或者终止程序或进程的“终止”字符（Ctrl-C）。
4	EOT	␄	^D		传输结束（End of Transmission）	在 Unix 上被用于标记“文本结束”，或登出终端。
5	ENQ	␅	^E		请求（Enquiry）	触发一次请求应答的信号。
6	ACK	␆	^F		确认回应（Acknowledge）	应答 ENQ 信号，或表明一次信息接收成功。
7	BEL	␇	^G	\a	响铃（Bell）	原本用于触发一次终端响铃。后来也被用于触发一次视觉响铃（某些终端在收到 BEL 信号的时候会闪烁）。
8	BS	␈	^H	\b	退格（Backspace）	将光标向左移动一位。在输入的时候，BS 信号会删除光标左边的字符。在输出的时候，老式计算机用 BS 信号来打印带音调的字符。例如 à 可以通过三个字符的序列 a BS ` （Hex：0x61 0x08 0x60）打印。这个做法现在已经废弃。
9	HT	␉	^I	\t	水平定位符（Horizontal Tabulation）	定位至下一个制表键停止点
0A	LF	␊	^J	\n	换行（Line Feed）	在打字机、打印机和部分终端模拟器上，将光标移至下一行，但是不改变光标的列位置。在 Unix 系统中用于标记行结尾。在 MS-DOS，Windows 和许多网络标准中，LF 跟在 CR 后面，共同组成行结尾标记。
0B	VT	␋	^K	\v	垂直定位符（Vertical Tabulation）	定位至下一个行制表键停止点
0C	FF	␌	^L	\f	换页（Form Feed）	在打印机中，装载下一页。在许多编程语言里被当作留白，也可能被用于标记代码的逻辑分隔。在部分终端模拟器中，用于清屏。
0D	CR	␍	^M	\r	回车（Carriage Return）	最初被用于将光标移至第0列，但是不改变光标的行位置。在 Mac OS（Mac OS X 之前的版本）以及更早的 Apple II 和 Commodore 64 中，被用于标记行结尾。在 MS-DOS，Windows 和许多网络标准中，CR 后跟 LF，共同组成行结尾标记。键盘上的 Enter 或 Return 键发送 CR，但是可能会被系统（或终端程序）转换成其他“行结束”标识符。
0E	SO	␎	^N		取消变换（Shift out）	最初用于在西里尔语和拉丁语之间切换。西里尔ASCII定义中，KOI-7用到了Shift字符。拉丁语用Shift去改变打印机的字体。在此种用途中，SO用于产生双倍宽度（全角）的字符。
0F	SI	␏	^O		启用变换（Shift in）	最初用于西里尔语和拉丁语之间切换。西里尔ASCII定义中，KOI-7用到了Shift字符。拉丁语用Shift去改变打印机的字体。在此种用途中，SI用于打印半角字符。
10	DLE	␐	^P		数据链路转义（Data Link Escape）	如果数据流中检测到了DLE，数据接收端则对其后面接下来的数据流中的字符，另作处理。关于具体如何处理这些字符，ASCII规范中没有具体定义，由对应的通信协议自信规定。
11	DC1	␑	^Q		设备控制一（XON）	在通信被控制码XOFF中断之后，重新开始信息传输。可以将那些由于终端或者主机方面偶尔出现错误的XOFF控制码而中断的通信解锁，使其正常通信。
12	DC2	␒	^R		设备控制二（Device Control Two）
13	DC3	␓	^S		设备控制三（XOFF）	通常用于临时中断数据流。
14	DC4	␔	^T		设备控制四（Device Control Four）
15	NAK	␕	^U		负面响应（Negative Acknowledge）	用于已建立连接中一端对另一端进行负面响应。在二进制同步通信协议中， NAK 被用于反馈之前收到的数据块存在错误，并且已经做好接收重传的准备。在多点系统中，NAK 被用于发送“未准备就绪”响应。
16	SYN	␖	^V		同步用暂停（Synchronous Idle）	在同步传输系统中被用作数据终端之间同步建立的信号，通常单独传输。
17	ETB	␗	^W		区块传输结束（End of Transmission Block）	在数据被分为多块进行传输的时候，用于标识数据块尾部。
18	CAN	␘	^X		取消（Cancel）	用于标识此前的数据有误或应当丢弃。
19	EM	␙	^Y		介质末端（End of medium）	用于标识到达顺序存储介质（例如磁带或纸张）末尾。这里标识的是逻辑末尾，不一定必须是物理结尾。
1A	SUB	␚	^Z		替换（Substitute）	原计划用于标识收到无效字符。如果在同频带传输过程中，SUB 所表达的错误没有必要，通常会被用于其他目的。
1B	ESC	␛	^[	[	退出（Escape）	通常键盘上的 ESC 键会发送这个字符。用于开始一段控制码的扩展字符。新的技术可能需要新的控制命令，ESC 可以用作这些字符命令的起始标志。ESC 广泛用于打印机和终端，控制设备设置，比如字体，字符位置和颜色等等（如：Shell 的颜色转义序列）。在基于 ISO/IEC 2022 标准的系统中，如果有使用其他 C0 控制代码集，0x1B 仍然通常被要求作为 ESC 字符。转义字符 \e 并不是 ISO C 或者其他许多编程语言标准的一部分，但是能够被许多编译器识别，包括 gcc 和 clang。
1C	FS	␜	^\		文件分隔符（File Separator）	用于分隔顺序存储介质中的文件。
1D	GS	␝	^]		分组符（Group Separator）	用于分隔顺序存储介质中的分组。大部分情况下，数据库的建立，都和表有关，包含了对应的记录。同一个表中的所有的记录，属于同一类型。不同的表中的记录，属于对应的不同的类型。GS 用来分隔串行数据存储系统中的不同的组。
1E	RS	␞	^^		记录分隔符（Record Separator）	用于分隔顺序存储介质中同一个文件或同一组内的记录（类似数据库中的“行”）。
1F	US	␟	^_		单元分隔符（Unit Separator）	用于分隔顺序存储介质中的存储单元，这是最小的存储单位（类似数据库中的“列”）。
20					空格
21	!	!			!
22	”	”			”
23	#	#			#
24	$	$			$
25	%	%			%
26	&	&			&
27	’	’			’
28	(	(			(
29	)	)			)
2A	*	*			*
2B	+	+			+
2C	,	,			,
2D	-	-			-
2E	.	.			.
2F	/	/			/
30	0	0			0
31	1	1			1
32	2	2			2
33	3	3			3
34	4	4			4
35	5	5			5
36	6	6			6
37	7	7			7
38	8	8			8
39	9	9			9
3A	:	:			:
3B	;	;			;
3C	<	<			<
3D	=	=			=
3E	>	>			>
3F	?	?			?
40	@	@			@
41	A	A			A
42	B	B			B
43	C	C			C
44	D	D			D
45	E	E			E
46	F	F			F
47	G	G			G
48	H	H			H
49	I	I			I
4A	J	J			J
4B	K	K			K
4C	L	L			L
4D	M	M			M
4E	N	N			N
4F	O	O			O
50	P	P			P
51	Q	Q			Q
52	R	R			R
53	S	S			S
54	T	T			T
55	U	U			U
56	V	V			V
57	W	W			W
58	X	X			X
59	Y	Y			Y
5A	Z	Z			Z
5B	[	[			[
5C	\	\			\
5D	]	]			]
5E	^	^			^
5F	_	_			_
60	`	`			`
61	a	a			a
62	b	b			b
63	c	c			c
64	d	d			d
65	e	e			e
66	f	f			f
67	g	g			g
68	h	h			h
69	i	i			i
6A	j	j			j
6B	k	k			k
6C	l	l			l
6D	m	m			m
6E	n	n			n
6F	o	o			o
70	p	p			p
71	q	q			q
72	r	r			r
73	s	s			s
74	t	t			t
75	u	u			u
76	v	v			v
77	w	w			w
78	x	x			x
79	y	y			y
7A	z	z			z
7B	{	{			{
7C	\|	\|			\|
7D	}	}			}
7E	~	~			~
7F	DEL	␡	^?		删除（Delete）	这个字符并不在 C0 控制代码区间里。最初被用于标记打孔带上被删除的字符。大多数打孔带都是7位，所有字符都可以被修改为 0x7F 对应的二进制代码 1111111 （7个孔位全部穿孔），以此来标识这个字符被删除。在 VT100 兼容终端上，这个字符可以通过标记为 ⌫ 的按键产生，这个键在现代计算机中被称作 Backspace。这个字符与 PC 键盘上的 Delete 按键没有任何关系。”

ISO 8859

ISO 8859 是国际标准化组织及国际电工委员会联合制定的一系列8位字符集的标准，现时定义了15个字符集，用于表示其他拉丁字母、西里尔字母、希腊语、泰语、阿拉伯语、希伯来语。兼容 ASCII，增补的 96 个字符根据不同的分组，对应不同的字符集合。

部分 Unix 类系统默认使用 ISO 8859-1（Latin-1）作为默认字符集。

ISO 8859 的15个分组（Part）如下：

分组	别名	说明
ISO 8859-1	Latin-1	西欧语言
ISO 8859-2	Latin-2	中欧语言
ISO 8859-3	Latin-3	南欧语言，世界语也可以用此字符集显示
ISO 8859-4	Latin-4	北欧语言
ISO 8859-5	Cyrillic	斯拉夫语言
ISO 8859-6	Arabic	阿拉伯语
ISO 8859-7	Greek	希腊语
ISO 8859-8	Hebrew	希伯来语
ISO 8859-9	Latin5、Turkish	它把Latin-1的冰岛语字母换走，加入土耳其语字母
ISO 8859-10	Latin6、Nordic	北日耳曼语支，用来代替Latin-4
ISO 8859-11	Thai	泰语，从泰国的 TIS620 标准字集演化而来
ISO 8859-13	Latin-7、Baltic Rim	波罗的语族
ISO 8859-14	Latin-8、Celtic	凯尔特语族
ISO 8859-15	Latin-9	西欧语言，加入Latin-1欠缺的芬兰语字母和大写法语重音字母，以及欧元（€）符号
ISO 8859-16	Latin-10	东南欧语言。主要供罗马尼亚语使用，并加入欧元符号。

由于 ISO 8859 采用8位编码，在通过 ssh 或者 telnet 等方式登录使用 ISO 8859-1 字符集的 Unix 系统时，终端可以基本正确的显示其中的双字节（GBK、BIG5 等）或多字节（GB18030、UTF-8 等）编码的中文字符。但是在处理的时候系统将仍然按照单个字节进行处理，因此 GBK 编码的“中（0xD6 0xD0）”字将被当作2个字符处理，这就是“半个汉字”问题的由来。

GB2312、GBK、GB13000、GB18030

GB2312 规定：一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节（他称之为高字节）从0xA1用到 0xF7，后面一个字节（低字节）从0xA1到0xFE。GB2312 共收录 6763 个汉字，覆盖 99% 以上的使用场景。
GB13000（全称 GB 13000.1-93《信息技术通用多八位编码字符集（UCS）第一部分：体系结构与基本多文种平面》）是一个基于 ISO/IEC 10646 字符集的中文字符集和编码方式标准。与 GB2312 不兼容，基本上未被工业界实际支持过。
GBK 是在 GB2312 的基础上，由微软利用 GB2312 未使用的编码空间，收录 GB13000 全部字符制定而成，这是一个 业界标准，并不是一个国家标准。GBK 的编码方式 基本兼容 GB2312，其中的区别参考这里。完整的 GBK 码表可以参考这里。

GB2312 和 GBK 双字节符号可以表达的空间如下图所示。绿色和黄色区域是 GBK 的编码，红色是用户定义区域。没有颜色的区域是不正确的代码组合：

GBK 编码范围

GB18030 是当前最新的字符集和编码方式强制标准。编码方式与 GB2312 和 GBK 基本兼容，不兼容 GB13000。共收录汉字 27484 个，在 GBK 支持的字符基础上新增了 Unicode CJK Unified Ideographs Extension A（U+3400 ~ U+4DBF）中的内容，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。GB18030 采用多字节编码，长度可以是1、2、4个字节。GB18030 的编码结构如下图。

GB18030 编码结构图

Big5

Big5 也被称作大五码，是繁体中文社区（包括台湾正体中文）最常用的汉字字符集，这是一个 业界标准 而非国家标准的双字节字符集。

在繁体中文社区中，Big5 有多个变种，常见的包括：

Big5-1984：最原始的 Big5，发布于1984年，原本被称作 Big5。在 Big5-2003 发布之后也被称为 Big5-1984。
微软 Code page 950（CP950）：微软的繁体中文字符集标准，由Big5码修改而成，是Big5最通行版本，也是Big5码的事实标准。相比 Big5-1984，CP950 在 0xF9D6 ~ 0xFEFE 增加了’碁’、’銹’、’恒’、’裏’、’墻’、’粧’、’嫺’ 7个汉字（俗称“倚天字”）和34个画图和制表符号。
倚天延伸字集：倚天中文系统在 Big5-1984 的基础上，在 A3C0~A3E0、C6A1~C875、F9D6~F9FE 区段中加入部分文字、日文假名、西里尔字母和符号。
Big5-2003：在 Big5-1984 的基础上加入倚天延伸字集中除西里尔字母以外的全部扩展和微软 CP950 欧元符号。
Big5-HKSCS：香港增补字符集（Hong Kong Supplementary Character Set，简称HKSCS）是香港政府基于 Big5 之上扩展的字符集标准，是现时香港的中文信息交换内码标准。此字符集由中文界面咨询委员会管理，仍在不断扩编之中。字符集主要包括香港地名、人名用汉字、粤语用字（包括粗言秽语在内，这是应警方及法庭需要记录口供的需要）、异体字、小部分简体字、平假名、片假名及俄语西里尔字母。

Big5 的编码空间分配如下表。完整的码表可以参考这里。

编码空间	说明
0x81 ~ 0xFE	ASCII 字符
0x8140 ~ 0xA0FE	保留给用户自定义字符（造字区）
0xA140 ~ 0xA3BF	标点符号、希腊字母及特殊符号，包括在0xA259-0xA261，安放了九个计量用汉字：’兙’、’兛’、’兞’、’兝’、’兡’、’兣’、’嗧’、’瓩’、’糎’。
0xA3C0 ~ 0xA3FE	保留。此区没有开放作造字区用。
0xA440 ~ 0xC67E	常用汉字，先按笔划再按部首排序。
0xC6A1 ~ 0xC8FE	保留给用户自定义字符（造字区）
0xC940 ~ 0xF9D5	次常用汉字，亦是先按笔划再按部首排序。
0xF9D6 ~ 0xFEFE	保留给用户自定义字符（造字区）。在倚天中文系统中，这个空间还包括’碁’、’銹’、’恒’、’裏’、’墻’、’粧’、’嫺’ 7个汉字和34个其他符号。

HZ

HZ 严格来说是一个使用 GB2312 字符集的编码方式，1989年由斯坦福大学的李楓峰设计，曾被广泛应用于中文 USENET 和邮件编码。

在 HZ 编码方式中，“~{” 和 “~}” 被当作转义字符，由它们括起来的内容将被当作 GB2312 内码处理，在此之外的内容仍被当作 ASCII 处理。HZ 编码的“中文”二字看起来是这样的：

~{VPND~}

Unicode、UCS 和 UTF

Unicode 和 UCS

Unicode（中文有多个译名：万国码、国际码、统一码、单一码）是一种字符编码标准（字符集），由统一码联盟负责拟定。

Universal Character Set（UCS）（中文译名：通用字符集、通用多八位编码字符集、广用多八比特编码字元集）是 ISO 10646 标准定义的字符编码标准（字符集）。UCS 分为3个实现级别：

Level 1：不支持组合字符（如德语 Ä）和谚文字母
Level 2：与 Leve 1 类似，但是能够支持特定的组合字符（如：希伯莱文、阿拉伯文、天城文、孟加拉文、马来文、泰文、老挝文等）
Level 3：支持所有 UCS 字符

Unicode 自 2.0 版本以后，与 UCS Level 3 兼容。本文中一律以 Unicode 称之。

在表示一个Unicode的字符时，通常会用“U+”然后紧接着一组十六进制的数字来表示这一个字符。在基本多文种平面（英文：Basic Multilingual Plane，简写BMP。又称为“0号平面”、plane 0）里的所有字元，要用四位十六进制数（例如 U+4AE0，共支持六万多个字符）；在0号平面以外的字符则需要使用五位或六位十六进制数。

当前的 Unicode 版本为7.0，2014年6月16日发布，收录了超过10万个字符。Unicode 将6字节长度的编码空间划分为17个平面（Plane），每个平面有65536个代码点，目前只使用了少数平面。其中0号平面（U+0000 ~ U+FFFF）被称作基本多文种平面（Basic Multilingual Plane，BMP），用于存放现有的主要文字、符号，编码长度为4字节，其中前256个字符（U+0000 ~ U+00FF）与 ISO 8859-1 兼容。

Unicode 基本多文种平面的示意如下图。每个写着数字的格子代表256个码点。关于 Unicode 字符平面映射的更多内容，参考这里。

Roadmap_to_Unicode_BMP

Unicode 转换格式

Unicode 和 ISO 10646 定义了字符集以及字符到数字映射关系的码表，并没有定义这些数字如何转换成字节流。

例如：0x6C 0x49 究竟应该当作字符 “lI”（U+006C U+0049）处理，还是应该当作字符“汉”（U+6C49）处理？可以规定所有 Unicode 字符长度为6字节，高位补0。这样既浪费空间又破坏了与 Latin-1 的兼容性。

Unicode Transformation Format（UTF）（中文译名：Unicode 转换格式）和 Universal Character Set (UCS) encodings（仍然简称 UCS）。就是定义数字到字节流转换关系的标准。其中 UTF-8 在当前互联网上使用范围最广。其余还有 UTF-16、UCS2、和 UTF-32（UCS-4）。

UTF-8

UTF-8（8-bit Unicode Transformation Format）是一种针对 Unicode 的可变长度字符编码，也是一种前缀码。它可以用来表示Unicode标准中的任何字符，且其编码中的第一个字节仍与 ASCII 兼容这使得原来处理 ASCII 字符的软件无须或只须做少部份修改，即可继续使用。因此，它逐渐成为电子邮件、网页及其他存储或传送文字的应用中，优先采用的编码。互联网工程工作小组（IETF）要求所有互联网协议都必须支持UTF-8编码。

UTF-8使用一至四个字节进行编码，规则如下：

128个US-ASCII字符只需一个字节编码（Unicode范围由U+0000至U+007F）。
带有附加符号的拉丁文、希腊文、西里尔字母、亚美尼亚语、希伯来文、阿拉伯文、叙利亚文及它拿字母则需要二个字节编码（Unicode范围由U+0080至U+07FF）。
其他基本多文种平面（BMP）中的字符（这包含了大部分常用字）使用三个字节编码。
其他极少使用的Unicode辅助平面的字符使用四字节编码。

UTF-8 的编码空间如下表所示：

代码点字长（字节数）	起始点	结束点	二进制表示
1	U+0000	U+007F	0xxxxxxx
2	U+0080	0+07FF	110xxxxx 10xxxxxx
3	U+0800	U+FFFF	1110xxxx 10xxxxxx 10xxxxxx
4	U+10000	U+1FFFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5	U+200000	U+3FFFFFF	111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6	U+4000000	U+7FFFFFFF	1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

对于 UTF-8 编码中的任意字节B，如果B的第一位为0，则B为ASCII码，并且B独立的表示一个字符；

如果B的第一位为1，第二位为0，则B为一个非ASCII字符（该字符由多个字节表示）中的一个字节，并且不是字符的第一个字节编码；
如果B的前两位为1，第三位为0，则B为一个非ASCII字符（该字符由多个字节表示）中的第一个字节，并且该字符由两个字节表示；
如果B的前三位为1，第四位为0，则B为一个非ASCII字符（该字符由多个字节表示）中的第一个字节，并且该字符由三个字节表示；
如果B的前四位为1，第五位为0，则B为一个非ASCII字符（该字符由多个字节表示）中的第一个字节，并且该字符由四个字节表示；

因此，对UTF-8编码中的任意字节，根据第一位，可判断是否为ASCII字符；根据前二位，可判断该字节是否为一个字符编码的第一个字节；根据前四位（如果前两位均为1），可确定该字节为字符编码的第一个字节，并且可判断对应的字符由几个字节表示；根据前五位（如果前四位为1），可判断编码是否有错误或数据传输过程中是否有错误。

其他

针对其他东亚文字的常见字符集有：

日文
- Shift JIS（ CP 932）
- EUC-JP
谚文（朝鲜文、韩文）
- EUC-KR（韩国）
- KPS 9566（朝鲜）

识别字符集

如前所述，字符集定义了特定字符到字节流的转换方式。在显示文本的时候我们需要知道对应的字符集，才能正确解码并显示文本。

HTML / XHTML / XML

通常在 HTMl（包括 XHTML）和 XML 页面中，会包含字符集声明。

HTML / XHTML：

<head>
<meta content="text/html; charset=UTF-8" />
</head>

XML

<?xml version="1.0" encoding="UTF-8"?>

关系型数据库（RDBMS）

关系型数据库以 Database、Table、Column 的结构来组织数据，存储文本所使用的字符集通常存储在表结构中。可以通过查看对应的文档找到查看数据库所使用字符集的方式。常见的数据库系统以及对应的文档地址如下：

SQLite

只支持在会话（Session）级别设置字符集，实际存储文本时使用的字符集继承自建库时的会话所使用的字符集，且不能更改。
MySQL（5.6版）

支持在会话、库（Database）、表（Table）、字段（Column）指定字符集。
其他版本的地址如下（请将“$VERSION”更换为对应的版本号）： http://dev.mysql.com/doc/refman/$VERSION/en/charset-syntax.html
PostgreSQL（9.4版）

其他版本的地址如下（请将“$VERSION”更换为对应的版本号）： http://www.postgresql.org/docs/$VERSION/static/multibyte.html
Microsoft SQL Server
Oracle

CJK Ideograph Extension B、C、D(U+20000 to U+200FF U+2A700 to U+2A7FF U+2B740 to U+2B83F) CJK Conpatibility Ideograph Supplenment (U+2F800 to U+2F8FF)