1、先说重点:
不同的编码格式占字节数是不同的,UTF-8编码下一个中文所占字节也是不确定的,可能是2个、3个、4个字节;
2、以下是源码:
1 @Test 2 public void test1() throws UnsupportedEncodingException { 3 String a = "名"; 4 System.out.println("UTF-8编码长度:"+a.getBytes("UTF-8").length); 5 System.out.println("GBK编码长度:"+a.getBytes("GBK").length); 6 System.out.println("GB2312编码长度:"+a.getBytes("GB2312").length); 7 System.out.println("=========================================="); 8 9 String c = "0x20001"; 10 System.out.println("UTF-8编码长度:"+c.getBytes("UTF-8").length); 11 System.out.println("GBK编码长度:"+c.getBytes("GBK").length); 12 System.out.println("GB2312编码长度:"+c.getBytes("GB2312").length); 13 System.out.println("=========================================="); 14 15 char[] arr = Character.toChars(0x20001); 16 String s = new String(arr); 17 System.out.println("char array length:" + arr.length); 18 System.out.println("content:| " + s + " |"); 19 System.out.println("String length:" + s.length()); 20 System.out.println("UTF-8编码长度:"+s.getBytes("UTF-8").length); 21 System.out.println("GBK编码长度:"+s.getBytes("GBK").length); 22 System.out.println("GB2312编码长度:"+s.getBytes("GB2312").length); 23 System.out.println("=========================================="); 24 }
3、运行结果
1 UTF-8编码长度:3 2 GBK编码长度:2 3 GB2312编码长度:2 4 ========================================== 5 UTF-8编码长度:4 6 GBK编码长度:1 7 GB2312编码长度:1 8 ========================================== 9 char array length:2 10 content:| ? | 11 String length:2 12 UTF-8编码长度:4 13 GBK编码长度:1 14 GB2312编码长度:1 15 ==========================================
4、几种编码格式的简单介绍
几种编码格式。
- ASCII 码
学过计算机的人都知道 ASCII 码,总共有 128 个,用一个字节的低 7 位表示,0~31 是控制字符如换行回车删除等;32~126 是打印字符,可以通过键盘输入并且能够显示出来。
- ISO-8859-1
128 个字符显然是不够用的,于是 ISO 组织在 ASCII 码基础上又制定了一些列标准用来扩展 ASCII 编码,它们是 ISO-8859-1~ISO-8859-15,其中 ISO-8859-1 涵盖了大多数西欧语言字符,所有应用的最广泛。ISO-8859-1 仍然是单字节编码,它总共能表示 256 个字符。
- GB2312
它的全称是《信息交换用汉字编码字符集 基本集》,它是双字节编码,总的编码范围是 A1-F7,其中从 A1-A9 是符号区,总共包含 682 个符号,从 B0-F7 是汉字区,包含 6763 个汉字。
- GBK
全称叫《汉字内码扩展规范》,是国家技术监督局为 windows95 所制定的新的汉字内码规范,它的出现是为了扩展 GB2312,加入更多的汉字,它的编码范围是 8140~FEFE(去掉 XX7F)总共有 23940 个码位,它能表示 21003 个汉字,它的编码是和 GB2312 兼容的,也就是说用 GB2312 编码的汉字可以用 GBK 来解码,并且不会有乱码。
- GB18030
全称是《信息交换用汉字编码字符集》,是我国的强制标准,它可能是单字节、双字节或者四字节编码,它的编码与 GB2312 编码兼容,这个虽然是国家标准,但是实际应用系统中使用的并不广泛。
- UTF-16
说到 UTF 必须要提到 Unicode(Universal Code 统一码),ISO 试图想创建一个全新的超语言字典,世界上所有的语言都可以通过这本字典来相互翻译。可想而知这个字典是多么的复杂,关于 Unicode 的详细规范可以参考相应文档。Unicode 是 Java 和 XML 的基础,下面详细介绍 Unicode 在计算机中的存储形式。
UTF-16 具体定义了 Unicode 字符在计算机中存取方法。UTF-16 用两个字节来表示 Unicode 转化格式,这个是定长的表示方法,不论什么字符都可以用两个字节表示,两个字节是 16 个 bit,所以叫 UTF-16。UTF-16 表示字符非常方便,每两个字节表示一个字符,这个在字符串操作时就大大简化了操作,这也是 Java 以 UTF-16 作为内存的字符存储格式的一个很重要的原因。
- UTF-8
UTF-16 统一采用两个字节表示一个字符,虽然在表示上非常简单方便,但是也有其缺点,有很大一部分字符用一个字节就可以表示的现在要两个字节表示,存储空间放大了一倍,在现在的网络带宽还非常有限的今天,这样会增大网络传输的流量,而且也没必要。而 UTF-8 采用了一种变长技术,每个编码区域有不同的字码长度。不同类型的字符可以是由 1~6 个字节组成。
UTF-8 有以下编码规则:
- 如果一个字节,最高位(第 8 位)为 0,表示这是一个 ASCII 字符(00 - 7F)。可见,所有 ASCII 编码已经是 UTF-8 了。
- 如果一个字节,以 11 开头,连续的 1 的个数暗示这个字符的字节数,例如:110xxxxx 代表它是双字节 UTF-8 字符的首字节。
- 如果一个字节,以 10 开始,表示它不是首字节,需要向前查找才能得到当前字符的首字节
7、深入分析 Java 中的中文编码问题(转载)
原文链接:http://www.ibm.com/developerworks/cn/java/j-lo-chinesecoding/#ibm-pcon
Java 中需要编码的场景
前面描述了常见的几种编码格式,下面将介绍 Java 中如何处理对编码的支持,什么场合中需要编码。</