字符集CharSet

最近学习字符集编码，发现很多博文的讲解对初学者很不友善，许多文章繁杂且不易懂，需要阅读了大量文章和查询资料后，才能明白字符集及相关概念，本文致力于一篇文章就可以让初学者对字符集有一个很好的认识，为将来开发项目充实其理论基础，为解决BUG提供思路。

 

记住：

1，java获取当前文件字符集：
String csn = Charset.defaultCharset().name();
System.out.println("字符集："+csn);
    
2，字符集：解决乱码问题，所有乱码问题都是字符集的不匹配造成的！
eclipse workspace 一般默认是gbk,所以每次新建的项目也是gbk
gbk的workspace, 项目可以修改为utf-8
而utf-8的项目中，某个文件可以修改为gbk

一、疑惑

相信很多对字符集编码不够了解的程序员经常会出现很多乱码问题，抱有很多疑惑。

比如，为什么会出现乱码？

这里用的是什么字符编码？

创建一个文本它是GBK编码还是UTF-8编码？

（创建文本文件默认使用ANSI，就是系统默认编码方式，中文windows系统默认使用GBK编码方式）

我应该使用GBK编码还是UTF-8编码？

Unicode和UTF-8的区别是什么？

那么看完这篇文章，相信这些问题都可以迎刃而解。

二、基础概念

字节

字节是计算存储容量的一种计量单位。我们知道计算机只能识别1和0组成的二进制位。一个数就是1位（bit），为了方便计算，我们规定8位就是一个字节。

例如 ：00001111 这个8位二进制数就占了一个字节的存储容量。

字符

字符和字节不同，它可不是计量单位，它是一个抽象的概念，指代世界上所有的语言文字。

例如：阿拉伯数字'1'是一个字符，标点符号'+'是一个字符，汉字 '我' 是一个字符，"我们"则是两个字符，"hello world"我们数一数就知道这是11个字符（包括了空格）。

随着时代的发展，程序员们希望在计算机中显示字符，但计算机只能识别0和1的二进制数。因此就出现了字符集的概念。

编码规范

所谓字符集其实是一套编码规范中的子概念，为了显示字符，世界组织就制定了编码规范，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。我们通常用编码规范的名字来称呼对应的字符集。

例如：GBK 编码规范，根据这套编码规范，计算机就可以在中文字符和二进制数直接相互转换。而GBK 编码规范里面的字符集和字符编码，我们也就直接叫GBK 字符集和GBK 字符编码。

接下来为大家介绍一下编码规范里的3个子概念。

1.字库表

一套编码规范不一定包含世界上所有的字符，每套编码规范都有自己的使用场景。而字库表就存储了编码规范中能显示的所有字符，计算机就是根据二进制数从字库表中找到字符然后显示给用户的，相当于一个存储字符的数据库。

例如：几乎所有汉字都保存在GBK 编码规范的字库表中。所以可以显示汉字，但法语，俄语并不在其字库表中，所以GBK不能显示法语，俄语等不包含在其中的字符。

2.字符集（编码字符集）

在一个字库表中，每一个字符都有一个对应的二进制地址，而编码字符集就是这些地址的集合。

例如：在ASCII码的编码字符集中，字母A的序号是65，65的二进制就是01000001。这个二进制数就是编码字符集中的一个元素，同时它也是字库表中字母A的地址。我们根据这个地址就可以显示出字母A。

结论：字符集和字库表一一对应，相互转换，这是电脑识别字符的关键。

3.字符编码（编码方式）

知道字库表和编码字符集后，我们就可以直接使用二进制地址来得到字符了。

但直接使用字符对应的二进制地址来显示文字是十分浪费的，Unicode 编码规范中包括了几百万个字符，想要包括几百万个不同的字符，起码需要3个字节的容量，为了方便将来扩展，Unicode还保留了更多未使用的空间，最多可以存储4个字节的容量。

因此为了区分每个字符，哪怕是00000000 00000000 00000000 00001111这种其实只占了1个字节的字符，我们也要为他分配4个字节的空间，这就导致一个可以用1G保存的文件，现在需要4G才能保存，这是极其浪费的做法。

于是程序员制定了一套算法来节省空间，而每种不同的算法都被称作一种编码方式（下文中为了便于理解都将使用编码方式来称呼字符编码）。一套编码规范可以有多种不同的编码方式，不同的编码方式有不同的适应场景。

例如：UTF-8就是一种编码方式，Unicode是一个编码字符集。此外，Unicode还有UTF-16,UTF-32这两种编码方式。不同的编码方式节约的空间不同。

总结：一个较短的二进制数，通过一种编码方式，转换成编码字符集中正常的地址，然后在字库表中找到一个对应的字符，最终显示给用户。

 

三、常见编码规范简单介绍

1.ASCII码

ASCII码，是最早产生的编码规范，一共包含00000000~01111111共128个字符，可以表示阿拉伯数字和大小写英文字母，以及一些简单的符号。可以看出ASCII码只需要1个字节的存储空间，最高位为0。后被称为（American Standard Code for Information Interchange，美国信息交换标准代码）。它没有特定的编码方式，直接使用地址对应的二进制数来表示，非要说那就叫他ASCII 编码方式。

2.GBK

GBK全称《汉字内码扩展规范》，支持国际标准ISO/IEC10646-1和国家标准GB13000-1中的全部中日韩汉字。GBK字符集中所有字符占2个字节，不论中文英文都是2个字节。没有特殊的编码方式，习惯称呼GBK 编码。一般在国内，汉字较多时使用。

3.ISO-8859-1

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。因为ISO-8859-1编码范围使用了单字节内的所有空间，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。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。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。ASCII编码是一个7位的容器，ISO-8859-1编码是一个8位的容器。

由此可见，ISO-8859-1只占1个字节，且MySQL数据库默认编码就是ISO-8859-1，有时，tomcat服务器默认也是使用ISO-8859-1编码，然而ISO-8859-1是不支持中文的，有时这就是在浏览器上显示乱码的原因。

4.Unicode

从以上几种编码规范可以看出，各种编码规范互不兼容，且只能表示自己需要的字符，于是，国际标准化组织（ISO）决定制定一套全世界通用的编码规范，这就是Unicode。

Unicode包含了全世界所有的字符。Unicode最多可以保存4个字节容量的字符。也就是说，要区分每个字符，每个字符的地址需要4个字节。这是十分浪费存储空间的，于是，程序员就设计了几种字符编码方式，比如：UTF-8,UTF-16,UTF-32。

最广为程序员使用的就是UTF-8，UTF-8是一种变长字符编码，注意：UTF-8不是编码规范，而是编码方式。我为大家介绍一下UTF-8的编码规则。

编码规则表

Unicode 十六进制码点范围                                              UTF-8 二进制

0000 0000-0000 007F(0-127)                                             0xxxxxxx

0000 0080-0000 07FF(128-2047)                                110xxxxx 10xxxxxx

0000 0800-0000 FFFF(2048-65535)                       1110xxxx 10xxxxxx 10xxxxxx

0001 0000-0010 FFFF(65535-1114111)            11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

 

如上表所示，对于只需要1个字节的字符，UTF-8采用ASCII码的编码方式，最高位补0来表示。

例如：01000001我们就是用01000001来表示，对于一个字节的字符，其实就是直接使用地址表示。

而对于n个字节的字符（n>1），即大于一个字节的字符，采用第一个字节前n位补1。第n+1位填0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。

例如：汉字严的Unicode码是4E25转换成二进制就是01001110 00100101共15位，根据上表可知使用UTF-8字符编码后占3个字节，因此前3位是1，第4位（n+1位）是0，后面两个字节中每个字节的前两位都是10,即1110 xxxx 10 xxxxxx 10xxxxxx。填充进去后就变成了1110 0100 10 111000 10 100101共计24位占3个字节。

由此可见，英文在UTF-8字符编码后只占1个字节，中文占了3个字节。

虽然UTF-8编码没有GBK编码占的空间小，但他胜在面向全世界，至于使用哪一种编码还是取决于具体的使用环境。

四、编码与解码

解码

一串二进制数，使用一种编码方式，转换成字符，这个过程我们称之为解码。就像解开密码一样，程序员可以选用任意的编码方式进行解码，但往往只有一种编码方式可以解开密码显示出正确的文字，而使用错误的编码方式，产生不可识别的字符，这就是我们通常说的————乱码！

编码

一串已经解码后的字符，我们也可以选用任意类型的编码方式重新转换成一串二进制数，这个过程就是编码，我们也可以称之为加密过程，无论使用哪一种编码方式进行编码，最终都是产生计算机可识别的二进制数，所以不存在乱码的问题，只有在重新展示这段字符时，必须采用编码使用的编码方式进行解码，才能重新显示出正确的文字。值得注意的是，像ISO-8859-1的字库表中不包含中文，因此哪怕将中文字符使用ISO-8859-1进行编码，再使用ISO-8859-1进行解码，也无法展示出正确的中文字符。

以上，大家就能明白了，乱码就是编码和解码使用的编码方式不一致，或者其字库表中不包含相应字符所导致的结果。