编码

参考:

字符编码常识及问题解析

深入分析 Java 中的中文编码问题

关于字符编码，你所需要知道的

编码是什么？

编码，简单的理解就是计算机中存储数据的格式；类似于现实世界中物质都是由分子、原子组成，在计算机中数据都是以0/1来进行保存，所以为了把0/1转换为人类可以理解的内容就需要编码来进行转换。

单位

位(bit):0 or 1；字节(byte):8个0 or 1组成。

常用编码

ASCII(American Standard Code for Information Interchange):只支持基础拉丁字符；用一个字节表示一个字符，保证最高位永远为’0’，故可以表示128个字符 码表。

EASCII:因为欧洲德语等语言会用到派生拉丁字符；128是不够用的，所以就启用了’1’开头的另128个，’0’开头与ASCII保存一致。

但这些对世界上其他语言汉语、日语、韩语是不够用的，需要多个字节。

GBK系列:为了解决中文编码问题，编写了GBK编码集，其兼容ASCII，需要注意的是不同的编码集会存在兼容问题，GBK一个汉字使用两个字节表示。

虽然GBK解决了中文编码问题，但是如果中国用自己开发的编码集，日本、韩国也用自己的，这样在信息交互时如果对方的计算机没有对应的编码集解码出的数据就是错误的，能不能开发一套世界通用的编码集呢，Unicode应运而生。

Unicode:该编码集采用4个字节表示一个字符；可以容纳世界上所有的字符；但问题也很明显，假设要传一篇英文文档，使用ASCII编码与使用Unicode的传输量相差4倍，换句话说Unicode传输效率太低；为了解决这个问题，出现了UTF-8，它是Unicode的一种实现方式。

其规则是:

1. 单字节字符，字符第一位是0，与ASCII保持一致。

2. 对于多字节字符(n<=4)，第一个字节前n位设置为1，n+1位设置为0，其余字节前两位设置为10。

Unicode范围	UTF-8编码
单字节:0000 0000 - 0000 007F	0xxxxxxx
双字节:0000 0080 - 0000 07FF	110xxxxx 10xxxxxx
三字节:0000 0800 - 0000 FFFF	1110xxxx 10xxxxxx 10xxxxxx
四字节:0001 0000 - 001F FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

‘王’字的Unicode编码是’\u738B’,换算成二进制是’00000000 00000000 01110011 10001011’,处于三字节范围,使用UTF-8编码是’1110111 10001110 10 001011’。

Unicode编码规范下有UTF-8,UTF-16,UTF-32三种具体实现。

UTF-32每个字符都使用4字节表示。

UTF-8，采用变长技术，占用1到4字节，兼容ASCII编码，汉字占用3个字节。

UTF-16统一采用两个字节表示一个字符。

java如何编码

I/O操作中的编码

I/O包括磁盘和网络I/O,从磁盘到内存时使用StreamDecoder来把字节转换为字符；从内存到磁盘时使用StreamEncoder将字符编码成字节。

内存中操作编码

//String转换到字节方法
byte[] b = str1.getBytes("UTF-8");
String s = new String(b, "UTF-8");
//Charset提供的byte[]与char[]之间的相互转换
Charset charset = Charset.forName("UTF-8");
ByteBuffer encode = charset.encode("a");
CharBuffer decode = charset.decode(encode);
//char和byte之间的软转换，不需要编码和解码，只是把一个16bit的char格式拆分为2个8bit的byte表示，仅仅是数据类型做了转换。
ByteBuffer headByteBuffer = ByteBuffer.allocate(1024);
ByteBuffer byteBuffer = headByteBuffer.putChar('c');

String name = "hello,王若行";
//Unicode编码:68 65 6c 6c 6f 2c 738b 82e5 884c
byte[] iso8859 = name.getBytes("ISO-8859-1");
//68 65 6c 6c 6f 2c 3f 3f 3f
//因为Iso-8859-1是单字节编码，所以把多字节中文编码转换为单字节时，编码会丢失，转化为 3f(?)。
byte[] gb2312 = name.getBytes("GB2312");
//68 65 6c 6c 6f 2c cdf5 c8f4 d0d0
//GB2312字符集有一个码表来进行char到byte的转换(sun.nio.cs.ext.EUC_CN类)。
byte[] gbk = name.getBytes("GBK");
//68 65 6c 6c 6f 2c cdf5 c8f4 d0d0
//GBK编码兼容GB2312编码。
byte[] utf16 = name.getBytes("UTF-16");
//feff 0068 0065 006c 006c 006f 002c 738b 82e5 884c
//UTF-16编码对字符采用双字节表示，其特点是编码效率非常高，规则简单，但由于不同处理器对2字节处理方式不同(Big-endian高位字节在前，Little-endian低位字节在前)，所以需要指明是哪种，故在最前面添加2字节BYTE_ORDER_MARK值标示。
//虽然UTF-16效率很高，但其对单字节范围内字符放大一倍，浪费了存储空间，而且其不能对单个字符的编码进行效验，如果中间一个字符码值损坏，后面的码值都会受影响;UTF-16的特点决定了其只适合在计算机内部使用，不适合作为数据传输编码。
byte[] utf32 = name.getBytes("UTF-32");
//00000068 00000065 0000006c 0000006c 0000006f 0000002c 0000738b 000082e5 0000884c
byte[] utf8 = name.getBytes("UTF-8");
//68 65 6c 6c 6f 2c e78e8b e88ba5 e8a18c
//UTF-8对单字节范围内字符用一个字符表示，对汉字采用三个字节表示。
//UTF-8编码与GBK和GB2312不同，不用查码表，所以在编码效率上UTF-8效率更好。
//UTF-8在字节效率上和编码安全性上做了平衡，适合网络传输和文件保存。

为什么Unicode编码不用查码表？

在Unicode之前，所有字符集都是和具体编码方案绑定在一起，直接将字符和最终字节流对应起来，类似ASCII编码规定7bit来编码ASCII字符集；GB2312以及GBK字符集，限定最多2个字节来编码字符，并规定了字节序；这样的编码系统通常是简单的查表，通过代码页就可以直接将字符映射为存储设置上的字节流。

这种方法缺点在于，字符和字节流耦合得太紧密了，限制了字符集的扩展能力。

Unicode在设计上考虑了这一点，将字符集和字符编码方案分离开。

虽然每个字符在Unicode字符集中都能找到唯一确定的编号(字符码),但是决定最终字节流的是具体字符编码(UTF-8/UTF-16/UTF-32)。