字符编码的发展历程:
阶段1:
计算机只认识数字,我们在计算机里一切数据都是以数字来表示,因为英文符号有限,所以规定使用字节的最高位都是0,每一个直接都是以0~127之间的数字来表示,比如A对应65,a对应97.这就是美国标准信息交换码-ASCLL
阶段2:
随着计算机在全球的普及,很多国家和地区都把自己的字符引入了计算机,比如汉字。
此时发现一个字节能表示数字范围太小,不能包含所有的中文汉字,那么就规定使用两个字节来表示一个汉字。
规定:原有的ASCLL字符的编码保持不变,仍然使用一个字节表示,为了区别一个中文字符与两个ASCLL码字符,中文字符的每一个直接最高位规定为1(中文的二进制是负数),这个规定就是GB2312编码。
后来在GB2312的基础上增加了更多的中文字符,比如汉字,也就出现了GBK。
阶段3:
新的问题,在中国是认识汉字的,但是如果把汉字传递给其他国家,该国家的码表中没有收录汉字,其实就显示另一个符号或乱码。为了解决各个国家因为本地化字符编码带来的影响,咱们就把全世界所有的符号统一进行编码-Unicode编码。Unicode的编码字符都占有2个字节大小。
常见的字符集:
ASCLL:占一个字节,只能包含128个字符,不能表示汉字。
ISO-8859-I(latin-1):占一个字节,收录西欧语言,不能表示汉字。
ANSI:占用两个字节,在简体中文的操作系统中ANSI就指的是GB2312。
GB2312/GBK/GB2312/GBK/G18030:占两个字节,支持中文。
UTF-8:是一种针对Unicde的可变长度字符编码,又称万国码,是Unicode的实现方式之一。编码中的第一个字节仍与ASCLL兼容,这使得原来处理ASCLL字符的软件无须或只须做少部分修改,即可继续使用。因此,它主键成为电子邮件、网页及其他存储或传达文字的应用中,有限采用的编码。互联网工程工作小组(IETF)要求所有互联网协议都必须支持UTF-8编码。
注意:UTF-8+BOM:是微软搞出来的编码,默认占3个字节,不要使用这个,很容易出现乱码。
存储字母、数字和汉字:
存储字母和数字无论是什么字符集都占1个字节。
存储汉字:GBK家族占两个字节,UTF-8家族占3个字节。
字符的编码和解码操作:
编码:把字符串转换为byte数组
解码:把byte数组转换为字符串
一定要保证编码和解码的字符相同,否则乱码。
下面一段代码演示一下转换:
public class EncodingDemo {
public static void main(String[] args) throws UnsupportedEncodingException {
String str = "军籽";
//编码操作:String->byte[]
byte[] data = str.getBytes("GBK");
System.out.println(Arrays.toString(data));//[-66, -4, -41, -47]
//解码操作:byte[]->String
String ret = new String(data,"GBK");
System.out.println(ret);//军籽
//----------------------------------------------
//解决乱码
byte[] data1 = str.getBytes("GBK");
System.out.println(Arrays.toString(data1));//[-66, -4, -41, -47]
//解码操作:byte[]->String
String ret1 = new String(data1,"ISO-8859-1");
System.out.println(ret1);
//对于中文来说,乱码:?ü×?
//解决方案:
data1 = ret1.getBytes("ISO-8859-1");
System.out.println(Arrays.toString(data1));//[-66, -4, -41, -47]
ret1 = new String(data1,"GBK");
System.out.println(ret1);//军籽
}
}
运行结果: