java中的字符編碼方式

1. 問題由來

面試的時候被問到了各類編碼方式的區別，結果一臉懵逼，這個地方集中學習一下。

2. 幾種字符編碼的方式

1. ASCII碼

咱們知道，在計算機內部，全部的信息最終都表示爲一個二進制的字符串。每個二進制位（bit）有0和1兩種狀態，所以八個二進制位就能夠組合出256種狀態，這被稱爲一個字節（byte）。也就是說，一個字節一共能夠用來表示256種不一樣的狀態，每個狀態對應一個符號，就是256個符號，從0000000到11111111。

上個世紀60年代，美國製定了一套字符編碼，對英語字符與二進制位之間的關係，作了統一規定。這被稱爲ASCII碼，一直沿用至今。

ASCII碼一共規定了128個字符的編碼，好比空格"SPACE"是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符號（包括32個不能打印出來的控制符號），只佔用了一個字節的後面7位，最前面的1位統一規定爲0。0~31 是控制字符如換行回車刪除等，32~126 是打印字符，能夠經過鍵盤輸入而且可以顯示出來。

二、非ASCII編碼

英語用128個符號編碼就夠了，可是用來表示其餘語言，128個符號是不夠的。好比，在法語中，字母上方有注音符號，它就沒法用ASCII碼錶示。因而，一些歐洲國家就決定，利用字節中閒置的最高位編入新的符號。好比，法語中的é的編碼爲130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，能夠表示最多256個符號。

可是，這裏又出現了新的問題。不一樣的國家有不一樣的字母，所以，哪怕它們都使用256個符號的編碼方式，表明的字母卻不同。好比，130在法語編碼中表明瞭é，在希伯來語編碼中卻表明了字母Gimel (ג)，在俄語編碼中又會表明另外一個符號。可是無論怎樣，全部這些編碼方式中，0—127表示的符號是同樣的，不同的只是128—255的這一段。

至於亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節只能表示256種符號，確定是不夠的，就必須使用多個字節表達一個符號。好比，簡體中文常見的編碼方式是GB2312，使用兩個字節表示一個漢字，因此理論上最多能夠表示256x256=65536個符號。

這裏只指出，雖然都是用多個字節表示一個符號，可是GB類的漢字編碼與後文的Unicode和UTF-8是毫無關係的。

3.Unicode

正如上一節所說，世界上存在着多種編碼方式，同一個二進制數字能夠被解釋成不一樣的符號。所以，要想打開一個文本文件，就必須知道它的編碼方式，不然用錯誤的編碼方式解讀，就會出現亂碼。爲何電子郵件經常出現亂碼？就是由於發信人和收信人使用的編碼方式不同。

能夠想象，若是有一種編碼，將世界上全部的符號都歸入其中。每個符號都給予一個獨一無二的編碼，那麼亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種全部符號的編碼。

Unicode固然是一個很大的集合，如今的規模能夠容納100多萬個符號。每一個符號的編碼都不同，好比，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字「嚴」。具體的符號對應表，能夠查詢unicode.org，或者專門的漢字對應表。

4. Unicode存在的問題：

須要注意的是，Unicode只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。

好比，漢字「嚴」的unicode是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說這個符號的表示至少須要2個字節。表示其餘更大的符號，可能須要3個字節或者4個字節，甚至更多。

這裏就有兩個嚴重的問題，第一個問題是，如何才能區別unicode和ascii？計算機怎麼知道三個字節表示一個符號，而不是分別表示三個符號呢？第二個問題是，咱們已經知道，英文字母只用一個字節表示就夠了，若是unicode統一規定，每一個符號用三個或四個字節表示，那麼每一個英文字母前都必然有二到三個字節是0，這對於存儲來講是極大的浪費，文本文件的大小會所以大出二三倍，這是沒法接受的。

它們形成的結果是：1）出現了unicode的多種存儲方式，也就是說有許多種不一樣的二進制格式，能夠用來表示unicode。2）unicode在很長一段時間內沒法推廣，直到互聯網的出現。

5.UTF-8

互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在互聯網上使用最廣的一種unicode的實現方式。其餘實現方式還包括UTF-16和UTF-32，不過在互聯網上基本不用。重複一遍，這裏的關係是，UTF-8是Unicode的實現方式之一。

UTF-8（8-bit Unicode Transformation Format）是一種針對Unicode的可變長度字符編碼，又稱萬國碼。由Ken Thompson於1992年建立。如今已經標準化爲RFC 3629。UTF-8用1到4個字節編碼Unicode字符。用在網頁上能夠統一頁面顯示中文簡體繁體及其它語言（如英文，日文，韓文）。

UTF-8最大的一個特色，就是它是一種變長的編碼方式。它可使用1~4個字節表示一個符號，根據不一樣的符號而變化字節長度。

UTF-8的編碼規則很簡單，只有二條：

1）對於單字節的符號，字節的第一位設爲0，後面7位爲這個符號的unicode碼。所以對於英語字母，UTF-8編碼和ASCII碼是相同的。

2）對於n字節的符號（n>1），第一個字節的前n位都設爲1，第n+1位設爲0，後面字節的前兩位一概設爲10。剩下的沒有說起的二進制位，所有爲這個符號的unicode碼。

下表總結了編碼規則，字母x表示可用編碼的位。

Unicode符號範圍 | UTF-8編碼方式
UTF字節數                  (十六進制) | （二進制）
--------------------+---------------------------------------------

一個字節 0000 0000-0000 007F | 0xxxxxxx
兩個字節 0000 0080-0000 07FF | 110xxxxx 10xxxxxx
三個字節 0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
四個字節 0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

下面， 仍是以漢字「嚴」爲例，演示如何實現UTF-8編碼。

已知「嚴」的unicode是4E25（100111000100101），根據上表，能夠發現4E25處在第三行的範圍內（0000 0800-0000 FFFF），所以「嚴」的UTF-8編碼須要三個字節，即格式是「1110xxxx 10xxxxxx 10xxxxxx」。而後，從「嚴」的最後一個二進制位開始，依次從後向前填入格式中的x，多出的位補0。這樣就獲得了，「嚴」的UTF-8編碼是「11100100 10111000 10100101」，轉換成十六進制就是E4B8A5。

6. Unicode與UTF-8之間的轉換

經過上一節的例子，能夠看到「嚴」的Unicode碼是4E25，UTF-8編碼是E4B8A5，二者是不同的。它們之間的轉換能夠經過程序實現。

在Windows平臺下，有一個最簡單的轉化方法，就是使用內置的記事本小程序Notepad.exe。打開文件後，點擊「文件」菜單中的「另存爲」命令，會跳出一個對話框，在最底部有一個「編碼」的下拉條。

7. iso8859-1編碼

    屬於單字節編碼，最多能表示的字符範圍是0-255，應用於英文系列。好比，字母a的編碼爲0×61=97.很明顯，iso8859-1編碼表示的字符範圍很窄，沒法表示中文字符。可是，因爲是單字節編碼，和計算機最基礎的表示單位一致，因此不少時候，仍舊使用iso8859-1編碼來表示。並且在不少協議上，默認使用該編碼。好比，雖然"中文"兩個字不存在iso8859-1編碼，以gb2312編碼爲例，應該是"d6d0 cec4"兩個字符，使用iso8859-1編碼的時候則將它拆開爲4個字節來表示："d6 d0 ce c4"（事實上，在進行存儲的時候，也是以字節爲單位處理的）。而若是是UTF編碼，則是6個字節"e4 b8 ad e6 96 87".很明顯，這種表示方法還須要以另外一種編碼爲基礎。

java對字符的處理

    在java應用軟件中，會有多處涉及到字符集編碼，有些地方須要進行正確的設置，有些地方須要進行必定程度的處理。

1. getBytes（charset）

    這是java字符串處理的一個標準函數，其做用是將字符串所表示的字符按照charset編碼，並以字節方式表示。注意字符串在java內存中老是按unicode編碼存儲的。好比"中文"，正常狀況下（即沒有錯誤的時候）存儲爲"4e2d 6587"，若是charset爲"gbk"，則被編碼爲"d6d0 cec4"，而後返回字節"d6 d0 ce c4".若是charset爲"utf8"則最後是"e4 b8 ad e6 96 87".若是是"iso8859-1"，則因爲沒法編碼，最後返回 "3f 3f"（兩個問號）。

java   .class類的編碼爲：unicode;

windows 默認的編碼爲：中文：gb2312; 英文：iso8859;

String str = "張三" ;

byte[] jiema= str.getBytes("gb2312") ; //解碼

String   bianma = new String(jiema,"UTF-8");//編碼 若是上面的解碼不對 可能出現問題

2. new String（charset）

    這是java字符串處理的另外一個標準函數，和上一個函數的做用相反，將字節數組按照charset編碼進行組合識別，最後轉換爲unicode存儲。參考上述getBytes的例子，"gbk" 和"utf8"均可以得出正確的結果"4e2d 6587"，但iso8859-1最後變成了"003f 003f"（兩個問號）。

    由於utf8能夠用來表示/編碼全部字符，因此new String（ str.getBytes（ "utf8" ）， "utf8" ） === str，即徹底可逆。

3. setCharacterEncoding（）

    該函數用來設置http請求或者相應的編碼。

    對於request，是指提交內容的編碼，指定後能夠經過getParameter（）則直接得到正確的字符串，若是不指定，則默認使用iso8859-1編碼，須要進一步處理。參見下述"表單輸入".值得注意的是在執行setCharacterEncoding（）以前，不能執行任何getParameter（）。java doc上說明：This method must be called prior to reading request parameters or reading input using getReader（）。並且，該指定只對POST方法有效，對GET方法無效。分析緣由，應該是在執行第一個getParameter（）的時候，java將會按照編碼分析全部的提交內容，然後續的getParameter（）再也不進行分析，因此setCharacterEncoding（）無效。而對於GET方法提交表單是，提交的內容在URL中，一開始就已經按照編碼分析全部的提交內容，setCharacterEncoding（）天然就無效。

    對於response，則是指定輸出內容的編碼，同時，該設置會傳遞給瀏覽器，告訴瀏覽器輸出內容所採用的編碼。

4. 處理過程

    下面分析兩個有表明性的例子，說明java對編碼有關問題的處理方法。

   4.1. 表單輸入

    User input *（gbk：d6d0 cec4） browser *（gbk：d6d0 cec4） web server iso8859-1（00d6 00d 000ce 00c4） class，須要在class中進行處理：getbytes（"iso8859-1"）爲d6 d0 ce c4，new String（"gbk"）爲d6d0 cec4，內存中以unicode編碼則爲4e2d 6587.

    l 用戶輸入的編碼方式和頁面指定的編碼有關，也和用戶的操做系統有關，因此是不肯定的，上例以gbk爲例。

    l 從browser到web server，能夠在表單中指定提交內容時使用的字符集，不然會使用頁面指定的編碼。而若是在url中直接用？的方式輸入參數，則其編碼每每是操做系統自己的編碼，由於這時和頁面無關。上述仍舊以gbk編碼爲例。

    l Web server接收到的是字節流，默認時（getParameter）會以iso8859-1編碼處理之，結果是不正確的，因此須要進行處理。但若是預先設置了編碼（經過request. setCharacterEncoding （）），則可以直接獲取到正確的結果。

    l 在頁面中指定編碼是個好習慣，不然可能失去控制，沒法指定正確的編碼。

    4.2. 文件編譯

    假設文件是gbk編碼保存的，而編譯有兩種編碼選擇：gbk或者iso8859-1，前者是中文windows的默認編碼，後者是linux的默認編碼，固然也能夠在編譯時指定編碼。

    Jsp *（gbk：d6d0 cec4） java file *（gbk：d6d0 cec4） compiler read uincode（gbk： 4e2d 6587； iso8859-1： 00d6 00d 000ce 00c4） compiler write utf（gbk： e4b8ad e69687； iso8859-1： *） compiled file unicode（gbk： 4e2d 6587； iso8859-1： 00d6 00d 000ce 00c4） class.因此用gbk編碼保存，而用iso8859-1編譯的結果是不正確的。

    class unicode（4e2d 6587） system.out / jsp.out gbk（d6d0 cec4） os console / browser.

    l 文件能夠以多種編碼方式保存，中文windows下，默認爲ansi/gbk.

    l 編譯器讀取文件時，須要獲得文件的編碼，若是未指定，則使用系統默認編碼。通常class文件，是以系統默認編碼保存的，因此編譯不會出問題，但對於jsp文件，若是在中文windows下編輯保存，而部署在英文linux下運行/編譯，則會出現問題。因此須要在jsp文件中用pageEncoding指定編碼。

    l Java編譯的時候會轉換成統一的unicode編碼處理，最後保存的時候再轉換爲utf編碼。

    l 當系統輸出字符的時候，會按指定編碼輸出，對於中文windows下，System.out將使用gbk編碼，而對於response（瀏覽器），則使用jsp文件頭指定的contentType，或者能夠直接爲response指定編碼。同時，會告訴browser網頁的編碼。若是未指定，則會使用iso8859-1編碼。對於中文，應該爲browser指定輸出字符串的編碼。

    l browser顯示網頁的時候，首先使用response中指定的編碼（jsp文件頭指定的contentType最終也反映在response上），若是未指定，則會使用網頁中meta項指定中的contentType.

5. 幾處設置

    對於web應用程序，和編碼有關的設置或者函數以下。

    5.1. jsp編譯

    指定文件的存儲編碼，很明顯，該設置應該置於文件的開頭。例如：。另外，對於通常class文件，能夠在編譯的時候指定編碼。

    5.2. jsp輸出

    指定文件輸出到browser是使用的編碼，該設置也應該置於文件的開頭。例如：。該設置和response.setCharacterEncoding（"GBK"）等效。

    5.3. meta設置

    指定網頁使用的編碼，該設置對靜態網頁尤爲有做用。由於靜態網頁沒法採用jsp的設置，並且也沒法執行response.setCharacterEncoding（）。例如：

    若是同時採用了jsp輸出和meta設置兩種編碼指定方式，則jsp指定的優先。由於jsp指定的直接體如今response中。

    須要注意的是，apache有一個設置能夠給無編碼指定的網頁指定編碼，該指定等同於jsp的編碼指定方式，因此會覆蓋靜態網頁中的meta指定。因此有人建議關閉該設置。

   5.4. form設置

    當瀏覽器提交表單的時候，能夠指定相應的編碼。例如：。通常沒必要不使用該設置，瀏覽器會直接使用網頁的編碼。