今天遇到了個字符編碼的問題，在這總結一下本身的簡單理解：java
1.首先區分字符集和字符編碼這兩個概念才比較好理解數組
字符集：就是一個文字，標點符號等的集合編碼
字符編碼：就是把字符集中的字符和其餘指定集合的一個元素相互對應。例如：unicode編碼把unicode字符集和0x00000000～0xFFFFFFFF對應，ascii編碼把ascii字符集和0～127.操作系統
2.ascii,iso-8859-1,GB，unicode等字符集code
計算機出現不久後，爲了計算機的發展，美國發布了ascii標準，這個字符集只有128個，對應這7個二進制。因爲美國計算機一直領先，於是這個標準影響普遍。可是對於歐洲其餘一些國家而言例如：法國，德國，ascii字符集並無包含法語，德語全部的字符。於是在ascii字符集基礎上擴展了iso-8859-1，iso-8859-1字符集有256個字符，用一個字節表示完，iso-8859-1前128個字符和ascii相同內存
對於中國而言，ascii只是英文，並不適合中國平時處理漢字的須要，於是中國在ascii字符集基礎上擴展增長了漢子造成gb2312字符集，他用兩個字節表示漢字，GB 2312的出現，基本知足了漢字的計算機處理須要，但對於人名、古漢語等方面出現的罕用字，GB 2312不能處理，這致使了後來GBK及GB 18030的出現。utf-8
unicode：各國國家都有本身的字符集和字符編碼方案，爲了統一世界全部的字符出現了unicode，使用0x00000000～0xFFFFFFFF來表示，共4個字節。可是實際目前只是用了0x00000000～0x0010FFFF共100多萬個。這100多萬分布在 17 個 代碼平面(code plane，每一個平面有2的16次方個)裏面。ci
U+0000 ~ U+FFFF 基本多語言平面BMP(Basic Multilingual Plane)，unicode
U+10000 ~ U+10FFFF 輔助平面SMP (Supplementary Plane)， 這些處於輔助平面的字符咱們稱做 增補字符(supplementary characters)。字符串
3 unicode編碼方案
Unicode只是一個符號集，unicode編碼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。所以要有編碼方案把unicode字符映射到能夠適合存儲的二進制。經常使用的方案有：utf-32，utf-16，utf-8
utf-32：用4個字節表示一個unicode的字符，例如：a用0x00000061。但這種效率很低，由於unicode自己只用了100多萬，而4字節（2的32次方）有40多億。
utf-16: 用2個字節或4個字節表示一個unicode，例如：a用0x0061。對於基本多語言平面BMP(Basic Multilingual Plane)用兩個字節表示，對於輔助平面SMP (Supplementary Plane)用四個字節表示，即一個輔助平面的字符，被拆成兩個基本平面的字符表示，其原理：在基本平面內，從U+D800到U+DFFF是一個空段，即這些碼點不對應任何字符。所以，這個空段能夠用來映射輔助平面的字符。
U+D800到U+DBFF（空間大小210），稱爲高位（H），
U+DC00到U+DFFF（空間大小210），稱爲低位（L）。
因此，當咱們遇到兩個字節，發現它的碼點在U+D800到U+DBFF之間，就能夠判定，緊跟在後面的兩個字節的碼點，應該在U+DC00到U+DFFF之間，這四個字節必須放在一塊兒解讀。
Unicode碼點轉成UTF-16的時候，首先區分這是基本平面字符，仍是輔助平面字符。若是是前者，直接將碼點轉爲對應的十六進制形式，長度爲兩字節。例如：‘張’ 這個字符 unicode編碼位 U+5F 20，其utf16爲0x5F 20。 若是是輔助平面字符，使用轉碼公式：
H = Math.floor((c-0x10000) / 0x400)+0xD800
L = (c - 0x10000) % 0x400 + 0xDC00
utf-8:是一種更加節省空間的編碼方案，它是一種變長的編碼方法，字符長度從1個字節到4個字節不等。越是經常使用的字符，字節越短，最前面的128個字符，只使用1個字節表示，與ASCII碼徹底相同。
編號範圍 字節
0x0000 - 0x007F 1
0x0080 - 0x07FF 2
0x0800 - 0xFFFF 3
0x010000 - 0x10FFFF 4
4.java中char和字符串的字符編碼問題
Java採用UTF-16編碼做爲內碼，也就是說在JVM內部文本字符的編碼爲UTF-16，java經常使用的文本類型就是字符（char）和字符串（String），可是在 Java 中 char 數據類型是定長的（換種說法就是char類型的編碼是一種帶有限制的UTF-16編碼，由於UTF-16的一個字符的長度多是2字節也多是4字節），其長度永遠只有 16 位，char 數據類型永遠只能表示代碼點在 U+0000 ~ U+FFFF 之間的字符，也就是在 BMP 內的字符，若是超過了這個範圍，即便用了增補字符，那麼 char 數據類型將沒法支持。String也是UTF-16，可是string中的字符沒有永遠只有 16 位這個限制，它可以支持增補字符，即它的一個字符的長度多是16位也多是32位。
其中要注意字符串長度問題：
對於string，其底層是char[] 即char數組，其length()方法是數組長度，可是若是是想知道字符串中完整字符的長度要用codePointCount方法。
解釋：一個完整的「字符」是一個code point；一個code point能夠對應1到2個code unit；一個code unit是16位。只有只需1個code unit的code point才能夠完整的存在char裏。但String做爲char的序列，能夠包含由兩個code unit組成的「surrogate pair」來表示須要2個code unit表示的UTF-16 code point。爲此Java的標準庫新加了一套用於訪問code point的API，而這套API就表現出了UTF-16的變長特性。
在這總結一下在java中從源碼到運行要碰到的字符編碼問題，字符一般會出如今三個地方：
首先從源碼開始，源碼java文件能夠GBK，UTF-8等編寫。寫好源碼後要編譯，這時Java編譯器須要知道源碼文件的編碼才能正確編譯，默認狀況下編譯器它會取操做系統的編碼，可使用參數-encoding指定源碼文件的字符編碼。編譯器正確讀取源碼後會編譯成UTF-8編碼的Class文件。運行時，JVM加載Class文件，把其中的字符或字符串轉成UTF-16編碼序列