Unicode万国码、UTF8、GB2312、GBK、ISO-8859-1

[color=green]Unicode（統一碼、萬國碼、單一碼、標準萬國碼）[/color]是電腦科學領域裡的一項業界標準，用以統一地呈現和處理世界上大部分的文字系統，並為其編碼。
Unicode依照通用字符集（Universal Character Set）的標準來發展，同時也以書本的形式對外發表。Unicode至今仍在不斷擴增，每個新版本都加入更多新的字符。目前最新的Unicode第六版，除了已納入超過十萬個字符（Unicode的第十萬個字符在2005年獲採納，且認可成為標準之一），還包含可用作視覺參考的代碼圖表、編碼方法、標準的字符編碼，以及記錄了如大小寫字母等字符特性的列表這些資料。
在文字處理方面，[color=red]Unicode 的功用是為每一個字元提供一個唯一的代碼（即一組數字），而不是一種字形。[/color]換句話說，Unicode是將字元以一種抽象的方式來呈現，而將視覺上的演繹工 作（例如字體大小、外觀形狀、字體形態、文體等）留給其他軟件來處理，例如網頁瀏覽器或是文字處理器。
差不多所有電腦系統都支援基本拉丁字母，并各自支持不同的其他编码方式。[color=red]Unicode为了和它们相互兼容，其首256字元保留給ISO 8859-1所定義的字元，使既有的西歐語系文字的轉換不需特別考量[/color]；并且把大量相同的字元重複編到不同的字元碼中去，使得舊有紛雜的編碼方式得以和 Unicode編碼間互相直接轉換，而不會遺失任何資訊。

[color=red]Unicode编码系统可分为编码方式和实现方式两个层次。[/color]
Unicode的编码方式与ISO 10646的通用字符集（Universal Character Set，UCS）概念相对应，[color=red]目前实际应用的Unicode版本对应于UCS-2，使用16位的编码空间。也就是每个字符占用2个字节。这样理论上一共最多可以表示216即65536个字符。[/color]
实现方式
Unicode的实现方式不同于编码方式。[color=red]一个字符的Unicode编码是确定的。但是在实际传输过程中，由于不同系统平台的设计不一定一致，以及出于节省空间的目的，对Unicode编码的实现方式有所不同。[/color]Unicode的实现方式称为Unicode转换格式（Unicode Transformation Format，简称为UTF）

UTF-8（8-bit Unicode Transformation Format）[color=green]是一種針對Unicode的[color=red][/color]可變長度字元編碼，也是一种前缀码[/color]。它可以用來表示Unicode標準中的任何字元，且其編碼中的第一個位元組仍與ASCII相容，這使得原來處理ASCII字元的軟體無須或只須做少部份修改，即可繼續使用。因此，它逐漸成為電子郵件、網頁及其他儲存或傳送文字的應用中，優先採用的編碼。[color=red]它对英文使用8位（即一个字节），中文使用24为（三个字节）来编码。[/color]

UTF-8使用一至四個位元組為每個字符編碼：
[list]
[*]1.[color=red]128個US-ASCII字符只需一個位元組編碼（Unicode範圍由U+0000至U+007F）。[/color]
[*]2.帶有附加符号的拉丁文、希臘文、西里爾字母、亞美尼亞語、希伯來文、阿拉伯文、敘利亞文及它拿字母則需要二個位元組編碼（Unicode範圍由U+0080至U+07FF）。
[*]3.其他基本多文種平面（BMP）中的字元（這包含了大部分常用字）使用三個位元組編碼。
[*]4.其他極少使用的Unicode 輔助平面的字元使用四位元組編碼。
[/list]
UTF-8编码字节含义
[list]
[*]•对于UTF-8编码中的任意字节B，如果B的第一位为0，则B为ASCII码，并且B独立的表示一个字符;
[*]•如果B的第一位为1，第二位为0，则B为一个非ASCII字符（该字符由多个字节表示）中的一个字节，并且不为字符的第一个字节编码;
[*]•如果B的前两位为1，第三位为0，则B为一个非ASCII字符（该字符由多个字节表示）中的第一个字节，并且该字符由两个字节表示;
[*]•如果B的前三位为1，第四位为0，则B为一个非ASCII字符（该字符由多个字节表示）中的第一个字节，并且该字符由三个字节表示;
[*]•如果B的前四位为1，第五位为0，则B为一个非ASCII字符（该字符由多个字节表示）中的第一个字节，并且该字符由四个字节表示;
[/list]
因此，对UTF-8编码中的任意字节，根据第一位，可判断是否为ASCII字符;根据前二位，可判断该字节是否为一个字符编码的第一个字节; 根据前四位（如果前两位均为1），可确定该字节为字符编码的第一个字节，并且可判断对应的字符由几个字节表示;根据前五位（如果前四位为1），可判断编码 是否有错误或数据传输过程中是否有错误。

[color=green]GBK[/color]是国家标准GB2312基础上扩容后兼容GB2312的标准。[color=red]GBK的文字编码是用双字节来表示的[/color]，即不论中、英文字符均使用双字节来表示，为了区分中文，将其最高位都设定成1。[color=red]GBK包含全部中文字符，是国家编码，通用性比UTF8差，不过UTF8占用的数据库比GBD大。[/color]

[color=green]GBK、GB2312等与UTF8之间都必须通过Unicode编码才能相互转换：[/color]
GBK、GB2312－－Unicode－－UTF8
UTF8－－Unicode－－GBK、GB2312

[color=green]ISO-8859-1[/color]编码是[color=red]单字节编码，向下兼容ASCII[/color]，其编码范围是0x00-0xFF，0x00-0x7F之间完全和ASCII一致，0x80-0x9F之间是控制字符，0xA0-0xFF之间是文字符号。
　　ISO-8859-1收录的字符除ASCII收录的字符外，还包括西欧语言、希腊语、泰语、阿拉伯语、希伯来语对应的文字符号。欧元符号出现的比较晚，没有被收录在ISO-8859-1当中。
　　因为ISO-8859-1编码范围[color=red]使用了单字节内的所有空间[/color]，在支持ISO-8859-1的系统中传输和存储其他任何编码的字节流都不会被抛弃。[color=red]换言之，把其他任何编码的字节流当作ISO-8859-1编码看待都没有问题。[/color]这是个很重要的特性，MySQL数据库默认编码是Latin1就是利用了这个特性。[color=red]ASCII编码是一个7位的容器，ISO-8859-1编码是一个8位的容器。[/color]
　　Latin1是ISO-8859-1的别名，有些环境下写作Latin-1。

try {  
	        // 汉字中以UTF-8编码为     %E4%B8%AD（3字节）
	        System.out.println(URLEncoder.encode("中", "UTF-8"));  
	        // 汉字中以UTF-8编码为     %3F      （1字节 这是由于汉字在ISO-8859-1字符集中不存在，返回的是？在ISO-8859-1下的编码）
	        System.out.println(URLEncoder.encode("中", "ISO-8859-1"));  
	        // 汉字中以UTF-8编码为     %D6%D0        （2字节）
	        System.out.println(URLEncoder.encode("中", "GB2312"));  

	        // 把汉字中对应的UTF-8编码                 %E4%B8%AD 用UTF-8解码得到正常的汉字 中
	        System.out.println(URLDecoder.decode("%E4%B8%AD", "UTF-8"));  
	        // 把汉字中对应的ISO-8859-1编码    %3F       用ISO-8859-1解码得到?
	        System.out.println(URLDecoder.decode("%3F", "ISO-8859-1"));  
	        // 把汉字中对应的GB2312编码                 %D6%D0        用GB2312解码得到正常的汉字 中 
	        System.out.println(URLDecoder.decode("%D6%D0", "GB2312"));  
	        // 把汉字中对应的UTF-8编码                 %E4%B8%AD 用ISO-8859-1解码
	        // 得到字符中（这个就是所谓的乱码，其实是3字节%E4%B8%AD中每个字节对应的ISO-8859-1中的字符）
	        // ISO-8859-1字符集使用了单字节内的所有空间
	        System.out.println(URLDecoder.decode("%E4%B8%AD", "ISO-8859-1"));
	        // 把汉字中对应的UTF-8编码                 %E4%B8%AD 用GB2312解码
	        // 得到字符涓�，因为前2字节 %E4%B8对应的GB2312的字符就是涓，而第3字节%AD在GB2312编码中不存在，故返回？
	        System.out.println(URLDecoder.decode("%E4%B8%AD", "GB2312"));  
	    } catch (UnsupportedEncodingException e) {  
	        // TODO Auto-generated catch block  
	        e.printStackTrace();  
	    }