JavaWeb中的编码

首先解答一个问题，为什么要编码？因为人类的语言太多，比如英语，汉语，日语等等，表示这些语言的符号太多，无法用计算机中的基本存储单元——字节（byte）来表示（一个字节，8位Bit，最多能表示0~255个），所以必须要经过一些转换，翻译，才能让计算机明白我们的语言所代表的意思。假设计算机能理解的语言是英语，那么我们说汉语的，写汉字的，必须经过翻译成英语，计算机才能理解。这个翻译的过程就是编码。

现代计算机中提供了多种翻译方式，即编码格式，常见的有ASCII码，ISO-8859-1，GB2312，UTF-8等。能够表示汉字的有GB2312，GBK，UTF-8，UTF-16，下面简单介绍一下这些编码。

1.ASCII码

总共有128个，用一个字节的低七位表示，0~31是控制字符如换行，回车，退格等。32~126是打印字符，可以通过键盘输入并且能够显示出来。

2.ISO-8859-1

ISO-8859-1 到 ISO-8859-15是ISO组织在ASCII码基础上又制定了一系列标准来扩展ASCII码，其中ISO-8859-1涵盖了大多数西欧语言字符，所以应用最广泛。它任然是单字节编码，所以不能用在汉字上，它总共能表示256个字符。

3.GB2312

GB2312的全称是《信息技术 中文编码字符集》，它是双字节编码，总编码范围是A1~F7，其中A1-A9是符号区，总共包含682个符号；B0~F7是汉字区，包含6763个汉字。

4.GBK

GBK全称是《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，并加入更多的汉字。它的编码范围是8140~FEFE（去掉XX7F），总共有23940个码位，能表示21003个汉字，它的编号和GB2312是兼容的，也就是说用GB2312编码的汉字可以用GBK来解码，并且不会乱码。

5.GB18030

GB18030全称是《信息技术 中文编码字符集》，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，它与GB2312是兼容的，在实际应用中很少。

6.UTF-16

说到UTF必须提到Unicode（Universal Code 统一码），ISO试图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个字典来互相翻译，可想而知这个字典是多么复杂。关于Unicode的详细规范可以参考相应文档。Unicode是Java和XML的基础。

UTF-16具体定义了Unicode字符在计算机中的存取方法。UTF-16用两个字节来表示Unicode的转化格式，它采用定长的表示方法，即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，大大简化了字符串的操作，这也是Java以UTF-16作为内存的字符存储格式的一个重要原因。

7.UTF-8

UTF-16统一采用两个字节来表示一个字符，虽然在表示上非常简单，方便，但是也有其缺点，就是浪费，因为很多字符用一个字节就可以表示了，但是现在固定是两个。这会增大网络传输的流量，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由1~6个字节组成。UTF-8的编码规则如下：

（1）如果是1个字节，最高位（第八位）为0，则表示这是一个ASCII码字符（00~7F）。也就意味着，所有的ASCII编码已经被包含进UTF-8了。

（2）如果是1个字节，以11开头，则连续的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。

（3）如果是1个字节，以10开始，表示它不是首字节，则需要向前查找才能得到当前字符的首字节。

对于中文字符的编码而言，GB2312与GBK编码规则类似，但GBK范围更大，能处理所有汉字字符，所以GBK优于GB2312。UTF-16与UTF-8都是处理Unicode编码，它们的编码规则不太相同。相对来说，UTF-16的编码效率较高，从字符到字节的相互转换更简单，进行字符串操作也更好。它适合在本地磁盘和内存之间使用，可以进行字符和字节之间的快速切换，但是它不适合在网络之间传输，如前面所说，它浪费了很多带宽，另外网络传输容易损坏字节流，一旦字节流损坏将很难恢复，所以相比较而言UTF-8更适合在网络中传输。UTF-8对ASCII字符采用单字节存储，另外单个字符损坏也不会影响后面的其他字符，。UTF-8在编码效率和安全性上做了平衡，是理想中的中文编码方式。