Java中文问题详解,底层编码解剖

1.字节和unicode
　　Java内核是unicode的，就连class文件也是，但是很多媒体，包括文件/流的保存方式是使用字节流的。 因此Java要对这些字节流经行转化。char是unicode的，而byte是字节.Java中byte/char互转的函数在sun.io的包中间有。其中ByteToCharConverter类是中调度，可以用来告诉你，你用的Convertor。其中两个很常用的静态函数是。

public static ByteToCharConverter getDefault() ; 　　public static ByteToCharConverter getConverter(String encoding);

　　如果你不指定converter，则系统会自动使用当前的Encoding，GB平台上用GBK，EN平台上用8859_1
　　
　　我们来就一个简单的例子：
　　"你"的gb码是：0xC4E3 ，unicode是0x4F60
　　你用:

encoding="gb2312"; 　　byte b[]={(byte)'/u00c4'，(byte)'/u00E3'}; 　　convertor=ByteToCharConverter.getConverter(encoding); 　　char [] c=converter.convertAll(b); 　　for(int i=0;i<c.length;c++) 　　{ 　　***.out.println(Integer.toHexString(c[i])); 　　}

　　打印出来是0x4F60
　　但是如果使用8859_1的编码，打印出来是
　　0x00C4，0x00E3
　　例１
　　反过来：

encoding="gb2312"; 　　char c[]={'/u4F60'}; 　　convertor=ByteToCharConverter.getConverter(encoding); 　　byte [] b=converter.convertAll(c); 　　for(int i=0;i<b.length;c++) 　　{ 　　***.out.println(Integer.toHexString(b[i])); 　　}

　　打印出来是：0xC4，0xE3
　　例２
　　如果用8859_1就是0x3F，?号，表示无法转化　　　　　
　　很多中文问题就是从这两个最简单的类派生出来的。而却有很多类不直接支持把Encoding输入，这给我们带来诸多不便。很多程序难得用encoding了，直接用default的encoding，这就给我们移植带来了很多困难
　　
　　2.UTF-8
　　UTF-8是和Unicode一一对应的，其实现很简单
　　
　　7位的Unicode: 0 _ _ _ _ _ _ _
　　11位的Unicode: 1 1 0 _ _ _ _ _ 1 0 _ _ _ _ _ _
　　16位的Unicode: 1 1 1 0 _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _
　　21位的Unicode: 1 1 1 1 0 _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _
　　大多数情况是只使用到16位以下的Unicode:
　　你"的gb码是：0xC4E3 ，unicode是0x4F60
　　我们还是用上面的例子
　　例１：0xC4E3的二进制：
　　1 1 0 0 0 1 0 0 1 1 1 0 0 0 1 1
　　由于只有两位我们按照两位的编码来排，但是我们发现这行不通，
　　因为第７位不是0因此，返回"?"