Java SE（二）之 字符集（ASCII，GBK，Unicode，编解码）

基本概念

1.字节

无论是内存还是硬盘，计算机存储设备的最小信息单元叫“位(bit)"，我们又称之为“比特位”，通常用小写的字母”b”表示。
而计算机中最小的存储单元叫“字节(byte)”，通常用大写字母”B”表示，字节是由连续的8个位组成。

例如 ：01101111 这个8位二进制数就占了一个字节的存储容量。

当然除了字节，还有更大的单位，如：
1B = 8 bit
1KB = 1024B
1MB = 1024KB 等等

回顾一下基本数据类型在内存中的占用：

2.字符

字符的概念比较大，可以说任何一个文字或符号都可以称之为字符。但是不同的字符占用的字节不同，因为存在不同的编码方式。

例如，符号 ？ 是一个字符，汉字 中国 是两个字符。在GBK编码中一个汉字占2个字节，在UTF-8编码中一个汉字占3个字节。

常见字符集

为了显示字符，国际组织就制定了编码规范，希望使用不同的二进制数来表示代表不同的字符，这样电脑就可以根据二进制数来显示其对应的字符。所以通常就称呼其为XX编码，XX字符集。

1.ASCII

• ASCII(American Standard Code for Information Interchange，美国信息交换标准代码)：包括了数字、英文、符号
• ASCII使用 1个字节 存储一个字符，一个字节是8位，总共可以表示128个字符信息（对于表示英文、数字来说是够用的）

比如：
01100001 = 97 => a
01100010 = 98 => b

具体如下图：

常用链接
1.ASCII码表查询（详细说明）
2.在线ASCII编解码（方便转换）

2.GBK

• GBK（Chinese Internal Code Specification）是中国的码表，包含了几万个汉字等字符，同时也要兼容ASCII编码，
• GBK编码中一个中文字符一般以两个字节的形式存储。

3.Unicode

• 统一码，也叫万国码。是计算机科学领域里的一项业界标准。
• UTF-8 是Unicode的一种常见编码方式。(还有UTF-16，UTF-32等)
• UTF-8编码后一个中文一般以三个字节的形式存储，同时也要兼容ASCII编码表。

链接：
UTF-8编解码

4.常用字符集比较

编码与解码

编解码过程：

字符解码时使用的字符集和编码时使用的字符集 必须一致，否则会出现乱码。

总结一下编码的常识：

• 英文和数字等在任何国家的字符集中都占1个字节
• GBK字符中一个中文字符占2个字节
• UTF-8编码中一个中文1般占3个字节

代码实战

编码：

方法名称	含义
byte[] getBytes()	使用平台的默认字符集将该String编码为一系列字节，将结果存储到新的字节数组
bytel getBytes(String charsetName)	使用指定的字符集将该String编码为一系列字节，将结果存储到新的字节数组中

解码：

构造器	含义
String(byte[] bytes)	通过使用平台的默认字符集解码指定的字节数组来构造新的String
String(byte[] bytes，String chansetName)	通过指定的字符集解码指定的字节数组来构造新的String

用java演示一下：

String s = "abc国庆快乐";
byte[] bs = s.getBytes(); // 以当前代码默认编码方式编码（UTF-8）

System.out.println(bs.length); // 输出编码后的长度
for(byte b:bs)
   System.out.print(b+" ");

输出：

15
97 98 99 -27 -101 -67 -27 -70 -122 -27 -65 -85 -28 -71 -112

因为是UTF-8，所以一个中文占用三个字节，所以总共的长度为15，另外，-27，-101，-67 三个字节表示汉字 国 。

然后，解码：

String newS = new String(bs);
System.out.println(newS);

输出：

abc国庆快乐

注意，如果编解码的方式不同，会造成乱码（例如用GBK编码，用UTF-8解码，因为GBK中一个汉字占两个字节，而UTF-8占三个字节，所以编解码时肯定会造成乱码）