12、J2SE基础-字符编码

字符编码

• 计算机里面只有数字，计算机软件里的一切都是用数字来表示的，屏幕上显示的一个个字符也不例外；
• 字符a对应数字97，字符b对应数字98等，这种字符与数字对应的编码规则别称为ASCII（美国标准信息交换码）。ASCII的最高bit位都为0，也就是说这些数字都在0---127之间；
• 中国大陆将每一个中文字符都用两个字节的数字来表示，中文字符的每个字节的最高位bit都为1，中国大陆为每个中文字符制定的编码规则称为GB2312（国标码）；
• 在GB2312的基础上，对更多的中文字符（包括繁体）进行了编码，新的编码规则称为GBK；
• 在中国大陆使用的计算机系统上，GBK和GB2312就被称为该系统的本地字符集；
• “中国”的“中”字，在中国大陆的编码是十六进制的D6D0，而在中国台湾的编码是十六进制的A4A4，台湾地区对中文字符集的编码规则称为BIG5（大五码）；
• 在一个国家的本地化系统中出现的一个字符，通过电子邮件传送到另外一个国家的本地化系统中，看到的就不是那个原始的字符，而是另外那个国家的字符或乱码；

Unicode编码

• ISO（国际标准化组织）将全世界所有的符号进行了统一编码，称之为Unicode编码；
• “中”这个符号，在全世界的任何角落始终对应的都是一个十六进制的数字4e2d；
• 如果所有的计算机系统都使用Unicode编码，在中国大陆的本地化系统中显示的“中”这个符号，在其他国家的本地化系统中依然是“中”；
• Unicode编码的字符都占用两个字节的大小，对于ASCII码所表示的字符，只是简单地在ASCII码原来占用的一个字节前面增加一个所有bits为0的字节；
• Unicode只占用两个字节，在全世界范围内所表示的字符个数不会超过2的16次方（65535），实际上，Unicode编码中还保留了两千多个数值没有用于字符编码；
• 在相当长的一段时间内，本地化字符编码将于Unicode编码共存；
• Java中的字符使用的都是Unicode编码，java在通过Unicode保证跨平台特性的前提下，也支持本地平台字符集；

UTF-8编码

• ASCII码字符保持原样，仍然只占用一个字节，对应其他国家的字符，UTF-8使用两个或三个字节来表示，使用UTF-8编码的文件，通常都要用EF BB BF作为文件开头的三个字节数据；
• 优点
  • 不出现内容为0X00字节
  • 便于应用程序检测数据在传输过程中是否发生了错误
  • 直接处理使用ASCII码的英文文档
• 缺点：
  • 某些字符需要使用三个字节

UTF-16编码

• UTF-16编码在Unicode基础上进行了一下细节上的扩充，增加了对Unicode编码没有包括的那些字符的表示方式；
• UTF-16对Unicode的扩充并没有影响Unicode编码所包括的那些字符，只是增加了对Unicode编码没有包括的那些字符的表示方式，一个使用Unicode编码的字符就是 UTF-16格式的；

字符编码的操作体验

• 打印中文字符的Unicode码
• 打印中文字符的GB2312码
• 验证写入到屏幕输出流的中文字符所采用的编码
• 查看系统的缺省编码
• 修改系统的缺省编码
  
• 验证从键盘输入流中取出的中文字符所采用的编码
• 研究GB2312码到Unicode码的解码过程
• GB2312码的中文字符被按照ISO8859-1字符集解码生产了Unicode字符串后，如何将这个字符串转化成正确的Unicode编码字符串