编码相关问题整理

对于常用的编码UTF-8、GBK、GBK2312、Unicode的关系整理

这个问题的引出是因为我发现java中基本数据类型char是占两个字节的，而c语言中char是占用一个字节。要知道编码中文字符的时候往往是2-4个字节，不同编码方式下也会有不同。那么问题来了，java中用的什么编码方式存字符呢？如果是笔画特别多的中文字符如何放到2个字节中？

编码历史

GBK2312是较早出的中文的编码方式，后来GBK收录了GBK2312同时又增加了一些中文字库。而UTF-8是多语言的编码方式，不仅针对中文具有更好的通用性。unicode是UTF之前就提出的，他是对全球所有语言进行统一编码的规范，收录了所有的字符，不过编码空间利用率低。

GBK

GBK编码是1-2个字节，英文是1个字节，中文是2个字节，全角的英文是2个字节。

UTF-8

UTF-8编码是1或3-4个字节，英文是1个字节，中文大都是3个字节，少数是4个字节。

unicode

unicode是很多系统默认文件使用的编码方式，他一般要占用4个字节，英文也是4个字节，大多数中文也是4个字节。如果是及其偏僻的中文就要占6个字节，这样的中文是GBK都没有收录的。

下面我们进行一个测试看看几种编码的占用字节数：

public static void main(String[] args) throws UnsupportedEncodingException {
        String str="a";
        String str2="我";
        String str3="��";//这是个很生僻的字，浏览器都没解析出来...
        print(str);
        System.out.println("-----");
        print(str2);
        System.out.println("-----");
        print(str3);
    }
    public static void print(String s) throws UnsupportedEncodingException{
        System.out.println("default:"+s.getBytes().length);
        System.out.println("utf-8  :"+s.getBytes("utf-8").length);
        System.out.println("gbk    :"+s.getBytes("gbk").length);
        System.out.println("unicode:"+s.getBytes("unicode").length);
    }

打印
default:1
utf-8  :1
gbk    :1
unicode:4
-----
default:3
utf-8  :3
gbk    :2
unicode:4
-----
default:4
utf-8  :4
gbk    :1
unicode:6

小结： utf-8 gbk中英文都是1字节，unicode是4个字节。gbk中汉字是2字节，对于生僻字gbk中没有收录，因而强行解码是?，即一个字节。utf-8汉字是3-4个字节生僻的字是4个字节。unicode汉字一般是4个字节，生僻字是6个字节。

延伸： java中char是俩字节因而char a="��"; 会报错，这个字不是合法的char，char内部的编码方式（网上说是utf16）是只有2字节以内的部分，超过2字节的自动不能赋值。