一葛闷、ASCII碼

在計(jì)算機(jī)內(nèi)部霹陡，所有的信息最終都是一個(gè)二進(jìn)制值和蚪，而每一個(gè)二進(jìn)制位有0和1兩種狀態(tài)烹棉，所以八個(gè)二進(jìn)制位就可以表示出256中不同的狀態(tài)催束，也就是說塔淤，一個(gè)字節(jié)可以表示256中不同的狀態(tài)，每一個(gè)狀態(tài)對(duì)應(yīng)一個(gè)符號(hào)备恤，就是256個(gè)符號(hào)湘纵。
上個(gè)世紀(jì)60年代砌左，美國(guó)制定了一套字符編碼，對(duì)英語(yǔ)字符與二進(jìn)制位之間的關(guān)系，做了統(tǒng)一規(guī)定痰哨。這被稱為 ASCII 碼霎烙，一直沿用至今游昼。
ASCII碼規(guī)定了128個(gè)字符的編碼趟佃，這128個(gè)符號(hào)只占用一個(gè)字節(jié)的后面7位罐寨，最前面的一位統(tǒng)一規(guī)定為0跋破。

二舷手、非ASCII碼

英語(yǔ)用128個(gè)符號(hào)編碼就夠了盆赤，但是用來表示其他語(yǔ)言，128個(gè)符號(hào)是不夠的。比如，在法語(yǔ)中，字母上方有注音符號(hào)咱娶，它就無法用 ASCII 碼表示。于是强品，一些歐洲國(guó)家就決定膘侮，利用字節(jié)中閑置的最高位編入新的符號(hào)。比如的榛，法語(yǔ)中的é的編碼為130（二進(jìn)制10000010）琼了。這樣一來，這些歐洲國(guó)家使用的編碼體系，可以表示最多256個(gè)符號(hào)雕薪。
但是昧诱，這里又出現(xiàn)了新的問題。不同的國(guó)家有不同的字母所袁，因此盏档，哪怕它們都使用256個(gè)符號(hào)的編碼方式，代表的字母卻不一樣燥爷。比如蜈亩，130在法語(yǔ)編碼中代表了é，在希伯來語(yǔ)編碼中卻代表了字母Gimel (?)前翎，在俄語(yǔ)編碼中又會(huì)代表另一個(gè)符號(hào)稚配。但是不管怎樣，所有這些編碼方式中港华，0--127表示的符號(hào)是一樣的道川，不一樣的只是128--255的這一段。

至于亞洲國(guó)家的文字苹丸，使用的符號(hào)就更多了愤惰，漢字就多達(dá)10萬左右苇经。一個(gè)字節(jié)只能表示256種符號(hào)赘理，肯定是不夠的，就必須使用多個(gè)字節(jié)表達(dá)一個(gè)符號(hào)扇单。比如商模，簡(jiǎn)體中文常見的編碼方式是 GB2312，使用兩個(gè)字節(jié)表示一個(gè)漢字蜘澜，所以理論上最多可以表示 256 x 256 = 65536 個(gè)符號(hào)施流。

三、Unicode

世界上存在著多種編碼方式鄙信，同一個(gè)二進(jìn)制數(shù)字可以被解釋成不同的符號(hào)瞪醋。因此，要想打開一個(gè)文本文件装诡，就必須知道它的編碼方式银受，否則用錯(cuò)誤的編碼方式解讀，就會(huì)出現(xiàn)亂碼鸦采。
可以想象宾巍，如果有一種編碼，將世界上所有的符號(hào)都納入其中渔伯。每一個(gè)符號(hào)都給予一個(gè)獨(dú)一無二的編碼顶霞，那么亂碼問題就會(huì)消失。這就是 Unicode锣吼，就像它的名字都表示的选浑，這是一種所有符號(hào)的編碼蓝厌。
Unicode 當(dāng)然是一個(gè)很大的集合，現(xiàn)在的規(guī)墓磐剑可以容納100多萬個(gè)符號(hào)褂始。每個(gè)符號(hào)的編碼都不一樣，比如描函，U+0639表示阿拉伯字母Ain崎苗，U+0041表示英語(yǔ)的大寫字母A，U+4E25表示漢字嚴(yán)舀寓。具體的符號(hào)對(duì)應(yīng)表胆数，可以查詢unicode.org，或者專門的漢字對(duì)應(yīng)表互墓。
GBK和UTF-8都是用來序列化或存儲(chǔ)unicode編碼的數(shù)據(jù)的必尼，但是分別是2種不同的格式； 他們倆除了格式不一樣之外篡撵，他們所關(guān)心的unicode編碼范圍也不一樣判莉，utf-8考慮了很多種不同國(guó)家的字符，涵蓋整個(gè)unicode碼表育谬，所以其存儲(chǔ)一個(gè)字符的編碼的時(shí)候券盅，使用的字節(jié)長(zhǎng)度也從1字節(jié)到4字節(jié)不等；而GBK只考慮中文——在unicode中的一小部分——的字符膛檀，的編碼锰镀，所以它算好了只要2個(gè)字節(jié)就能涵蓋到絕大多數(shù)常用中文(2個(gè)字節(jié)能表示6w多種字符),所以它存儲(chǔ)一個(gè)字符的時(shí)候，所用的字節(jié)長(zhǎng)度是固定的咖刃；

四泳炉、Unicode的問題

最終Unicode的容量越來越大，其表示每一個(gè)符號(hào)的字節(jié)也越來越長(zhǎng)嚎杨。在這種情況下花鹅，如果用固定幾個(gè)字節(jié)來表示一個(gè)符號(hào)的話，則對(duì)于最開始的字節(jié)會(huì)出現(xiàn)空間浪費(fèi)枫浙；如果用不定的字節(jié)來描述一個(gè)符號(hào)的話刨肃，那如何才能知道到底是用了幾個(gè)字節(jié)來表示一個(gè)符號(hào)？

五自脯、解決辦法：UTF-8

UTF-8 就是在互聯(lián)網(wǎng)上使用最廣的一種 Unicode 的實(shí)現(xiàn)方式之景。其他實(shí)現(xiàn)方式還包括 UTF-16（字符用兩個(gè)字節(jié)或四個(gè)字節(jié)表示）和 UTF-32（字符用四個(gè)字節(jié)表示），不過在互聯(lián)網(wǎng)上基本不用膏潮。重復(fù)一遍锻狗，這里的關(guān)系是，UTF-8 是 Unicode 的實(shí)現(xiàn)方式之一。

UTF-8 最大的一個(gè)特點(diǎn)轻纪，就是它是一種變長(zhǎng)的編碼方式油额。它可以使用1~4個(gè)字節(jié)表示一個(gè)符號(hào)，根據(jù)不同的符號(hào)而變化字節(jié)長(zhǎng)度刻帚。

UTF-8 的編碼規(guī)則很簡(jiǎn)單潦嘶，只有二條：

1）對(duì)于單字節(jié)的符號(hào)，字節(jié)的第一位設(shè)為0崇众，后面7位為這個(gè)符號(hào)的 Unicode 碼掂僵。因此對(duì)于英語(yǔ)字母，UTF-8 編碼和 ASCII 碼是相同的顷歌。

2）對(duì)于n字節(jié)的符號(hào)（n > 1）锰蓬，第一個(gè)字節(jié)的前n位都設(shè)為1，第n + 1位設(shè)為0眯漩，后面字節(jié)的前兩位一律設(shè)為10芹扭。剩下的沒有提及的二進(jìn)制位，全部為這個(gè)符號(hào)的 Unicode 碼赦抖。

image.png

跟據(jù)上表舱卡，解讀 UTF-8 編碼非常簡(jiǎn)單。如果一個(gè)字節(jié)的第一位是0队萤，則這個(gè)字節(jié)單獨(dú)就是一個(gè)字符轮锥；如果第一位是1，則連續(xù)有多少個(gè)1浮禾，就表示當(dāng)前字符占用多少個(gè)字節(jié)交胚。

下面份汗，還是以漢字嚴(yán)為例盈电，演示如何實(shí)現(xiàn) UTF-8 編碼。

嚴(yán)的 Unicode 是4E25（100111000100101）杯活，根據(jù)上表匆帚，可以發(fā)現(xiàn)4E25處在第三行的范圍內(nèi)（0000 0800 - 0000 FFFF），因此嚴(yán)的 UTF-8 編碼需要三個(gè)字節(jié)旁钧，即格式是1110xxxx 10xxxxxx 10xxxxxx吸重。然后，從嚴(yán)的最后一個(gè)二進(jìn)制位開始歪今，依次從后向前填入格式中的x嚎幸，多出的位補(bǔ)0。這樣就得到了寄猩，嚴(yán)的 UTF-8 編碼是11100100 10111000 10100101嫉晶，轉(zhuǎn)換成十六進(jìn)制就是E4B8A5。

六、總結(jié)

應(yīng)該說替废，每一種字符集本身就代表著一種編碼格式箍铭，（unicode也不例外）所以當(dāng)采用這些字符集的時(shí)候，就是說使用了這種編碼格式椎镣。

七诈火、getbyte方法

在java中，getBytes()方法如果不指定字符集状答，則得到的是一個(gè)操作系統(tǒng)默認(rèn)的編碼格式的字節(jié)數(shù)組冷守；如果指定字符集，則得到的是在指定字符集下的字節(jié)數(shù)組
實(shí)例：

package ObjectRef;

import java.io.UnsupportedEncodingException;
/**
 * @author hankun
 * @create 2017-06-26 20:28
 */
public class Test4 {
    /**
     *
     * 1惊科、Unicode是一種編碼規(guī)范教沾，是為解決全球字符通用編碼而設(shè)計(jì)的，而UTF-8,UTF-16等是這種規(guī)范的一種實(shí)現(xiàn)译断。
     2授翻、java內(nèi)部采用Unicode編碼規(guī)范，也就是支持多語(yǔ)言的孙咪，具體采用的UTF-16編碼方式堪唐。
     3、不管程序過程中用到了gbk,iso8859-1等格式翎蹈，在存儲(chǔ)與傳遞的過程中實(shí)際傳遞的都是Unicode編碼的數(shù)據(jù)淮菠，要想接收到的值不出現(xiàn)亂碼，就要保證傳過去的時(shí)候用的是A編碼荤堪，接收的時(shí)候也用A編碼來轉(zhuǎn)換接收合陵。
     4、如果雙方的file.encoding確保都相同澄阳，那就省事了拥知，都默認(rèn)轉(zhuǎn)了，但往往在不同項(xiàng)目交互時(shí)很多時(shí)候是不一致的碎赢，這個(gè)時(shí)候是必須要進(jìn)行編碼轉(zhuǎn)換的低剔。
     5、無論如論轉(zhuǎn)換肮塞，java程序的數(shù)據(jù)都是要先和Unicode做轉(zhuǎn)換襟齿，這樣也就是能處理多語(yǔ)言字符集的原因了。底層保持了一致枕赵，只要在傳值和接值的時(shí)候也一致就肯定不會(huì)出現(xiàn)亂碼了猜欺。
     * */
    public static void main(String[] args) throws UnsupportedEncodingException {
        String str = "中文字符";
        System.out.println("original string---" + str);// 會(huì)正常輸出原始串
        /**
         *
         * str.getBytes();  如果括號(hào)中不寫charset，則采用的是Sytem.getProperty("file.encoding"),即當(dāng)前文件的編碼方式拷窜，
         *
         * 很多人寫的是系統(tǒng)的默認(rèn)編碼开皿，通過代碼測(cè)試并非如此钓试，實(shí)際得到的是文件的編碼方式*
         *
         * str.getBytes("charset");//指定charset，即將底層存儲(chǔ)的Unicode碼解析為charset編碼格式的字節(jié)數(shù)組方式
         *
         * String new_str=new String(str.getBytes("utf-8"),"gbk"));
         *
         * //將已經(jīng)解析出來的字節(jié)數(shù)據(jù)轉(zhuǎn)化為gbk編碼格式的字符串副瀑，在內(nèi)存中即為gbk格式的字節(jié)數(shù)組轉(zhuǎn)為Unicode去交互傳遞
         */
        String new_str = new String(str.getBytes("utf-8"), "gbk");
        /**
         *
         * 此時(shí)的輸出是亂碼弓熏，在UTF-8的file.encoding下輸出gbk格式的數(shù)據(jù)肯定是亂碼,但是new_str的確是gbk編碼式的
         *
         * 此時(shí)的亂碼源于encoding不符，但gbk格式的new_str本身數(shù)據(jù)并沒有問題,通過下面的轉(zhuǎn)換也可以看得出來
         */
        System.out.println("new string----" + new_str);
        String final_str = new String(new_str.getBytes("gbk"), "utf-8");// 此處的含意與最上邊的注釋是一致的參數(shù)含意
        /**
         *
         *輸出是正常的糠睡，此時(shí)將gbk編碼格式的new_str字符串挽鞠，用gbk這個(gè)charset去解析它，然后用utf-8再轉(zhuǎn)碼一次狈孔，
         *
         * 因?yàn)閚ew_str確實(shí)是gbk格式的信认，才能經(jīng)過utf-8編碼得到正常的數(shù)據(jù)顯示。
         */
        System.out.println("final string---" + final_str);
    }
}