编码详解（上）

原文链接：http://www.strutshome.com/index.php/archives/106

第一部分：编码的种类

编码规范用于规定可见字符和控制字符的二进制表示形式，它分为多种类型：下面详细说说编码的方式：

1.1      ANSI编码

这种编码方式规定了英文占用了一个字节，中文占用两个字节（这个是我们通常所说的编码方式）。因为汉字分为多个类型：有简体中文，有繁体中文，还有日语中的汉字。所以ANSI编码又分为：GB2312（简体中文），BIG5（繁体中文），JIS（日文）等各自的编码标准。

1.2 ASCII编码

这是美国上世纪60年代制定的。ASCII码一共规定了128个字符的编码，这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0，编码范围为0×00-0x7F。

1.3 ISO-8859-1编码

英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中字母上方有注音符号，它就无法用ASCII码表示。于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。在这种情况下ISO-8859-1编码诞生了。ISO-8859-1编码是单字节编码，向下兼容ASCII，其编码范围是0×00-0xFF，0×00-0x7F之间完全和ASCII一致，0×80-0x9F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。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。最常见的场景为：在java 服务器端接受get方法的请求中，如果参数中含有中文，则可以将参数转换为字节数组，然后将字节数组解码成字符串。
String rawName = request.getParameter(“name”);
byte[] rawBytes = rawName.getBytes(“ISO-8859-1″);//分解为字节数组
String name = new String(rawBytes,”gb2312″);

1.4 Unicode编码

Unicode是一个很大的集合，现在的规模可以容纳100多万个符号。它将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码。需要注意的是，Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。这样就造成了一种混乱的现象，存在多种Unicode的存储方式，例如UTF-8，UTF-16和UTF-32。话又说回来，如果Unicode统一规定，每个符号用两个或三个字节表示，那么会出现什么情况呢？例如，汉字”严”的Unicode是十六进制数4E25，转换成二进制数足足有15位（100111000100101），也就是说这个符号的表示至少需要2个字节。而英文字母只用一个字节表示就够了，如果Unicode统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。

1.5 UTF-8编码

互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种Unicode的实现方式。UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。
UTF-8的编码规则很简单，只有二条：
1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的Unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。
2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为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。
下表总结了编码规则，字母x表示可用编码的位。

Unicode符号范围(十六进制)	UTF-8编码方式（二进制）
0000 0000–0000 007F	0xxxxxxx
0000 0080–0000 07FF	110xxxxx 10xxxxxx
0000 0800–0000 FFFF	1110xxxx 10xxxxxx 10xxxxxx
0001 0000–0010 FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

跟据上表，解读UTF-8编码非常简单。如果一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。
下面，还是以汉字”严”为例，演示如何实现UTF-8编码。
已知”严”的Unicode是4E25（100111000100101），根据上表，可以发现4E25处在第三行的范围内（0000 0800-0000 FFFF），因此”严”的UTF-8编码需要三个字节，即格式是”1110xxxx 10xxxxxx 10xxxxxx”。然后，从”严”的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，”严”的UTF-8编码 是”11100100 10111000 10100101″，转换成十六进制就是E4B8A5。

1.6 关于记事本的编码

在Windows平台下内置的记事本小程序Notepad.exe有四种编码类型。打开任意一个文件后，点击”文件”菜单中的”另存为”命令，会跳出一个对话框，在最底部有一个”编码”的下拉条。

里面有四个选项：ANSI，Unicode，Unicode big endian 和 UTF-8。
1）ANSI是默认的编码方式。对于英文文件是ASCII编码，对于简体中文文件是GB2312编码（只针对Windows简体中文版，如果是繁体中文版会采用Big5码）。
2）Unicode编码指的是UCS-2编码方式，即直接用两个字节存入字符的Unicode码。这个选项用的little endian格式。
3）Unicode big endian编码与上一个选项相对应。
4）UTF-8编码，也就是上一节谈到的编码方法。
注意：Unicode码可以采用UCS-2格式直接存储。以汉字”严”为例，Unicode码是4E25，需要用两个字节存储，一个字节是4E，另一个字节是25。存储的时候，4E在前，25在后，就是Big endian方式；25在前，4E在后，就是Little endian方式。这两个古怪的名称来自英国作家斯威夫特的《格列佛游记》。在该书中，小人国里爆发了内战，战争起因是人们争论，吃鸡蛋时究竟是从大头(Big- Endian)敲开还是从小头(Little-Endian)敲开。为了这件事情，前后爆发了六次战争，一个皇帝送了命，另一个皇帝丢了王位。因此，第一个字节在前，就是”大头方式”（Big endian），第二个字节在前就是”小头方式”（Little endian）。那么很自然的，就会出现一个问题：计算机怎么知道某一个文件到底采用哪一种方式编码？Unicode规范中定义，每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符的名字叫做”零宽度非换行空格”（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。这正好是两个字节，而且FF比FE大1。如果一个文本文件的头两个字节是FE FF，就表示该文件采用大头方式；如果头两个字节是FF FE，就表示该文件采用小头方式。

1.7 不同编辑环境下文件的编码不同

不同的编辑环境下，文件的编码方式是不一样的。例如：
（1）在eclipse环境中新建一个jsp文件，只要文件的开头标示文件的编码形式：<%@ page language=”java” pageEncoding=”"%>，则eclipse会自动保存文件为对应的格式。
（2）在windows下使用记事本新建一个jsp文件，无论文件的开头标示什么编码格式，但是文件的保存都是ANSI格式的。
（3）从eclipse中utf-8格式的jsp文件中拷贝一段内容，复制到windows环境下的记事本中，此时文件的格式会从utf-8转变为ANSI格式。