折
磨人的编码
这篇文章将是大猫《如何搞定头疼的编码》一文的一部分，当时本来想做一个完整的有关“R与编码”的笔记，没想到后来洋洋洒洒写了六七千字，估计一时半会也完成不了，所以先选出其中有意思的一节同大家分享。
这次的主角GB2312是一种陈旧的中文编码。说到编码，其实和牙疼差不多：编码是一个常常被忽视的“小问题”——直到他给你造成成吨的伤害。它尤其频繁出现于数据传输中，例如你在澳大利亚的机器上建立的SAS数据集死活没法在中国的SAS中打开，或是R 操作台打印中文总是乱码等等。编码问题在平日的Office工作中也常遇到，例如大猫的硕士论文要求用“仿宋”来写——大猫也按照要求做了，但最后还是被骂——因为对方要求的是“仿宋GB2312”！这是大猫心中各种WTF…… 最哭笑不得的是，当前中国政府间使用最广的字体“仿宋GB2312”其实连朱镕基的“镕”都打不出。为什么一个连自己总理名字都打不出来的编码，竟然会成为政府的公文标准？
中
文编码：GB2312 / GBK / GB18030
先让我们总结一下中文编码（想了解更多“R与中文编码”锁定大猫下期的公众号文章！）目前，大陆常见的能够编码中文的编码体系有两大类，一类是Unicode类，其中最常见的是UTF-8，他能表示包含中文的所有字符。另一类是ANSI类，最常见的是GB2312/GBK/GB18030三种，他们能很好支持中文，但是面对其它语言可能出现乱码。Windows简体中文系统采用的是ANSI类别下的“GBK”编码，对应的Window名称叫做Codepage-936 (CP-936)。
当然，ANSI类编码也有对应繁体中文的分支，最常见的叫做BIG-5，主要应用在港澳台，对应的Windows名称叫做 Codepage-950 (CP-950)。
GB2312 / GBK / GB18030这三种编码究竟有什么区别呢？
说来简单，他们的主要区别在于发布时间以及收录汉字的数量。1980年，我国出台了最早的简体中文国家编码标准：GB2312，对应Windows名称叫做CP-936。这一标准只收录6763个汉字，很多生僻字都找不到，甚至连“朱镕基”的“镕”都没有收录！当时的微软看到了这一情况，自己扩展了GB2312标准，于1995年推出了GBK标准，其Windows名称仍旧为CP-936。GBK包含了21003个汉字，是GB2312的3倍，成为了日后简体中文Windows的标准编码格式。
但是中文编码让一家美国公司掌握岂不是很没面子？2000年官方的扩展编码终于发布，名字叫做GB18030，收录27484个汉字，Windows名称叫做CP-54936。可以看到，GB18030只是在GBK基础上进行了小幅添加。下表总结了三个编码格式。
现在让我们回到最初提到的那个“仿宋GB2312”的问题，答案一目了然了。首先要明确的是，的确有两种仿宋字体，一种叫做“仿宋GB2312”，另一种叫做“仿宋”。其中“仿宋GB2312”顾名思义，遵循的是GB2312标准，发布时间早，收录的字数也少；而“仿宋”遵循的是微软自己的GBK标准，发布时间晚、收录字数多，是Windows以及Office的默认字体。也就是说，如果你想安装“老古董”“仿宋GB2312”，你还得另外去下载，然鹅——
“
仿宋GB2312竟然TM是很多政府的公文专用字体！！！
”
为什么一个连朱镕基的“镕”都打不出来的古董编码竟然是中国政府公文最常用的编码？！！难道——等等，我知道你在开脑洞了。别急，看了下面的图片你就知道了
有没有发现“仿宋GB2312”要比“仿宋GBK”的字体粗一些？这就是原因所在了，微软在推出新一代Windows的时候顺带把老的仿宋GB2312给重新设计了一把，本来是好意想让字体更加纤细优美的，但是这让每天处理成吨文件的公务员炸了锅——你TM知不知道我每天看着那么细的字体有多累？你TM就没考虑过用户感受？！虽然上面这张图看起来两者的差距没有那么大，但是大猫必须承认，当打印到纸上的时候，仿宋GB2312真的比仿宋要舒服很多……Orz
结果自然是新仿宋没有被政府所接纳——哪怕他打不出来自己总理的名字。当然另外可能还有官僚作风的影响，让一个政府改变自己沿用了那么多年的字体并不是一件轻松的事，无论世界那个国家都是如此，你看看现在那么多政府医院银行还在用着XP系统就知道了。（微软内心OS：这锅我们不背）
总之，GB2312是一个很有趣的历史遗留问题，虽然年代久远，但仍旧会时不时同我们偶遇。下次再遇到类似问题，虽然也许仍旧只能“遵循传统”办事，但至少不会盲目吐槽。而且知道了背后的原因，是不是有些小得意呢？
下
期预告
这一期大猫只是介绍了有关编码的一个小知识，下一期，大猫将详细讲解编码的基本知识以及如何玩转R的编码体系。（什么？上期说的Microsoft Machine Learning Server的介绍？那个随缘吧……）
