ASCII碼、ISO8859-一、Unicode、GBK和UTF-8 的區別

爲何須要編碼？

計算機中最小的存儲單位是字節（byte），一個字節所能表示的字符數又有限，1byte=8bit，一個字節最多也只能表示255個字符，而世界上的語種又多，都有各類不一樣的字符，沒法用一個byte表示，因此java中的char表示字符就是來解決這種編碼問題的，一個char佔兩個字節，因此從char到最小單位byte之間必須通過編碼，反之爲解碼。

其實，編碼解碼就是完成的翻譯過程（「翻譯」很容易理解吧），各類編碼方式就是一部部字典。

 

 

一、ASCII碼

全稱爲American Standard Code for Information Interchange，美國信息交換標準代碼，這是世界上最通用的單字節編碼系統，主要用來顯示現代英語及其餘西歐語言。

ASCII碼用7位表示，只能表示128個字符，0～31表示控制字符如回車、退格、刪除等；32～126表示打印字符便可以經過鍵盤輸入而且能顯示出來的字符，

其中48～57爲0到9十個阿拉伯數字，65～90爲26個大寫英文字母，97～122號爲26個小寫英文字母，其他爲一些標點符號、運算符號等，具體能夠參考ASCII標準表。

 

二、ISO-8859-1

該編碼是在ASCII編碼的基礎上擴展出來的，但它仍然是單字節編碼，總共只能表示256個字符。

既然ASCII只能表示128個字符，顯示是不能徹底表示完的，因此ISO-8859-1擴展了ASCII編碼，在ASCII編碼之上又增長了西歐語言、希臘語、泰語、阿拉伯語、希伯來語對應的文字符號，它是向下兼容ASCII編碼的。

 

三、GB2312

GB2312的全稱是《信息技術 中文編碼字符集》，它是雙字節編碼，編碼範圍是A1-F7，其中A1-A9是符號區，總共包含682個符號；B0-F7是漢字區，包含6763個漢字。

全稱爲信息交換用漢字編碼字符集，是中國於1980年發佈，主要用於計算機系統中的漢字處理。GB2312主要收錄了6763個漢字、682個符號。

GB2312覆蓋了漢字的大部分使用率，但不能處理像古漢語等特殊的罕用字，因此後來出現了像GBK、GB18030這種編碼。

 

四、GBK

GBK的全稱是《漢字內碼擴展規範》，它的出現是爲了擴展GB2312，它的編碼範圍是8140-FEFE（去掉XX7F），總共有23940個碼位，能表示21003個漢字，它的編碼是和GB2312兼容的

GBK，全稱爲Chinese Internal Code Specification，即漢字內碼擴展規範，於1995年制定。它主要是擴展了GB2312，在它的基礎上又加了更多的漢字，它一共收錄了21003個漢字。

GBK是向下兼容GB2312編碼的，也就是說GB2312編碼的漢字能夠用GBK正常解碼不會出現亂碼，但用GBK編碼的漢字用GB2312解碼就不必定了。

 

五、GB18030

GB18030全稱漢字內碼擴展規範，是如今最新的內碼字集於2000年發佈，並於2001年強制執行，包含了中國大部分少數民族的語言字符，收錄漢字數超過70000餘個。

它主要採用單字節、雙字節、四字節對字符編碼，它是向下兼容GB2312和GBK的，雖然是我國的強制使用標準，但在實際生產中不多用到，用得最多的反而是GBK和GB2312。

 

6.UNICODE

爲了本身的語言能在計算機中正常顯示，每一個國家和地區都有各自的編碼，因此編碼多了誰也不認識對方的編碼，這時候ISO組織就提出了一種新的編碼叫UNICODE編碼讓全球的文化、字符、符號都能支持。UNICODE在制定時計算機容量已不是問題，因此設計成了固定兩個字節，全部的字符都用16位表示，包括以前只佔8位的英文字符等，因此會形成空間的浪費，UNICODE在很長的一段時間內都沒有獲得推廣應用。

 

七、UTF-16

UTF-16的出現是ISO想要建立一個全新的超語言字典，世界上全部的語言均可以經過這個字典來相互翻譯，可想而知，這個字典是多麼的複雜、龐大。UTF-16用兩個字節來表示Unicode的轉化格式（兩個字節就是16個bit，因此要UTF-16），採用的是定長的表示方法，即任何字符均可以用兩個字節表示。這樣表示字符就是變得的很是方便。可是，也有一個缺陷，就是很大一部分的字符用一個字節就能夠表示了，UTF-16卻用兩個字節，有些浪費存儲空間。因此有另外一個編碼方式就出現了，也就是UTF-8。

UTF-16是UNICODE的具體實現，16即16位，UTF-16便是這個來由，定義了UNICODE字符在計算機中的存儲方式，UTF-16一樣使用了兩個字節來表示任何字符，這樣使得操做字符串很是高效，這也是java把UTF-16做爲字符在內存中存儲的格式的重要緣由。

UTF-16適合在磁盤與內存之間使用，字符和字節的相互轉換會更加簡單和高效，但不適合在網絡上傳輸，由於網絡傳輸可能會損壞字節流。

 

 

八、UTF-8

UTF-8採用了一種變長技術，每一個編碼區域有不一樣的字碼長度，不一樣類型的字符能夠由1-6個字節組成。

UTF-8的編碼規則以下：

1) 若是是1個字節，最高位爲0，則表示這是1個ASCII字符。可見，全部ASCII編碼已是UTF-8了

2) 若是是1個字節，以11開頭，則連續的1的個數暗示這個字符的字節數，例如：110xxxxx表明它是雙字節UTF-8字符的首字節

3) 若是是1個字節，以10開始，表示它不是首字節，則須要向前查找才能獲得當前字符的首字節。

 

 雖然UTF-16很高效，但也是UNICODE最大的壞處，使得全部單字節字符必定要佔兩個字節，存儲空間放大了一倍，這明顯消耗了資源，不符合如今互聯網高速發展的現狀。因此有了UTF-8，它是UNICODE的一種可變長度字符編碼的實現，它可使用1～6個定長字節來編碼UNICODE字符。

UTF-8對ASCII字符使用單字節存儲，單個字符損壞也不會影響後面的字符，因此UTF-8很是適合在網絡上面傳統，也是如今使用最普遍的編碼之一。

若是要表示中文，UTF-8編碼效率要大於GBK，小於UTF-16，因此它也是除了GBK以外最理想的編碼方式。

 

 

 

 

 

=======================================================================================

本文主要包括如下幾個方面：編碼基本知識，java，系統軟件，url，工具軟件等。

    在下面的描述中，將以"中文"兩個字爲例，經查表能夠知道其GB2312編碼是"d6d0 cec4"，Unicode編碼爲"4e2d 6587"，UTF編碼就是"e4b8ad e69687"。注意，這兩個字沒有iso8859-1編碼，但能夠用iso8859-1編碼來"表示"。

2. 編碼基本知識

    最先的編碼是iso8859-1，和ascii編碼類似。但爲了方便表示各類各樣的語言，逐漸出現了不少標準編碼，重要的有以下幾個。

2.1. iso8859-1

    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0x61=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。

2.2. GB2312/GBK

    這就是漢子的國標碼，專門用來表示漢字，是雙字節編碼，而英文字母和iso8859-1一致（兼容iso8859-1編碼）。其中gbk編碼可以用來同時表示繁體字和簡體字，而gb2312只能表示簡體字，gbk是兼容gb2312編碼的。

2.3. unicode

    這是最統一的編碼，能夠用來表示全部語言的字符，並且是定長雙字節（也有四字節的）編碼，包括英文字母在內。因此能夠說它是不兼容iso8859-1編碼的，也不兼容任何編碼。不過，相對於iso8859-1編碼來講，uniocode編碼只是在前面增長了一個0字節，好比字母a爲"00 61"。

須要說明的是，定長編碼便於計算機處理（注意GB2312/GBK不是定長編碼），而unicode又能夠用來表示全部字符，因此在不少軟件內部是使用unicode編碼來處理的，好比java。

2.4. UTF

    考慮到unicode編碼不兼容iso8859-1編碼，並且容易佔用更多的空間：由於對於英文字母，unicode也須要兩個字節來表示。因此unicode不便於傳輸和存儲。所以而產生了utf編碼，utf編碼兼容iso8859-1編碼，同時也能夠用來表示全部語言的字符，不過，utf編碼是不定長編碼，每個字符的長度從1-6個字節不等。另外，utf編碼自帶簡單的校驗功能。通常來說，英文字母都是用一個字節表示，而漢字使用三個字節。

注意，雖說utf是爲了使用更少的空間而使用的，但那只是相對於unicode編碼來講，若是已經知道是漢字，則使用GB2312/GBK無疑是最節省的。不過另外一方面，值得說明的是，雖然utf編碼對漢字使用3個字節，但即便對於漢字網頁，utf編碼也會比unicode編碼節省，由於網頁中包含了不少的英文字符。

3. 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。

3.1. 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）。

3.2. 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。

3.3. 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。

 

全稱爲American Standard Code for Information Interchange，美國信息交換標準代碼，這是世界上最通用的單字節編碼系統，主要用來顯示現代英語及其餘西歐語言。

ASCII碼用7位表示，只能表示128個字符，0～31表示控制字符如回車、退格、刪除等；32～126表示打印字符便可以經過鍵盤輸入而且能顯示出來的字符，

其中48～57爲0到9十個阿拉伯數字，65～90爲26個大寫英文字母，97～122號爲26個小寫英文字母，其他爲一些標點符號、運算符號等，具體能夠參考ASCII標準表。