常见字符集

数据在计算机中如何存储？

计算机中任意的数据都是以二进制进行存储的，一个二进制位也就是一个bit，但是1个bit能存储的信息太少了，所以就把8个bit分为一组，这样的一组称为一个字节，是计算机中最小的存储单元了。

ASCII

欧洲那边的字符很少，所以将用到的128个字符挨个进行编号，从0一直编到了127，这些编号又称为码点，为这些字符编好了码点之后，字符以及对应的码点称为字符集，也叫编码集。

什么是字符集？

总结来说就是给字符编个数字。

那么上面这一套字符集就称之为ASCII字符集。

编码：把要存储的数据变成真正能在内存中存储的数据。

那么ASCII字符集是如何将这些字符存入到计算机的底层中呢？或者说如何对字符进行编码？

常见的操作是对码点进行编码，编码规则就是直接将码点转换为二进制，由于是0~127，只有7个bit，是不够1个字节的，所以在高位的第8个bit上补个0。

所以ASCII字符集用1个字节存储字符。

GB2312 

其中GB是国家标准的简称。

GBK

全称GuoBiaoKuozhan国标扩展。

简体中文版Windows默认使用的是GBK字符集。

注意：GBK是兼容了ASCII字符集的，比如字符a的码点还是97。

英文编码规则：用一个字节进行存储，不足8位时前面补0。

汉字编码规则：一个汉字使用2个字节进行存储。两个字节分为高位和低位，高位字节中的第一位一定是1，这是为了与英文区分开。

Unicode

万国码，因为每个国家都提出了自己国家的字符集，不兼容，所以由一个组织对全部国家的字符进行编码。

Unicode字符集有好几种编码规则，比如UTF-8、UTF-16、UTF-32等等。

UTF-8是一种字符集吗？

Unicode是字符集，而UTF-8是Unicode字符集的一种编码规则。

最早提出的UTF-32就是无论英文还是中文都是用4个字节表示一个字符，对于英文来说好像有点浪费啊，于是又提出了UTF-8编码规则。UTF-8使用1-4个字节编码。

英文1个字节，二进制第一位是0，转成十进制之后是整数。

中文3个字节，第一个字节以1110开头，转成十进制之后是负数，第二个和第三个都是以10开头。

解码的时候怎么知道什么时候读取一个字节，什么时候读取3个字节呢？

是根据上面的编码来看的，比如是中文时，读取到为1110，就知道要读取3个字节的数据。

乱码有两个原因：

①编码和解码的规则不一样。

②字节流一次读取一个字节，未读完整个汉字。

为什么使用IO流进行数据拷贝不会乱码？

因为直接读取字节到txt文本中，然后txt也能解码。

为了解决第二种，提出了字符流，即字节流+字符集。

而第一种需将编码和解码的规则设置为一样的。比如JavaWeb中使用GET方式请求数据时中文会乱码，是因为编码使用的是UTF-8，而解码则是Tomcat写死的ISO-189这个，需手动调整为UTF-8，具体则是先获取到字符流，再对字符流使用UTF-8进行解码。