【Java随记】字符集

前言

对于电脑中的文件，如果我们想要通过程序来操作文件中的内容，我们得合理运用好IO流，但是在学习IO流之前，我们得搞清楚一个前置知识——字符集，只有把字符集搞明白，学习并运用IO流的时候才会更加丝滑

一、字符集

1.1 字符集的来历

为了能够让计算机能够处理字符，于是美国人就把他们会用到的每一个字符进行了编码（所谓编码，就是为一个字符编一个二进制数据），如下图所示:

美国人常用的字符有英文字母，标点符号，数字以及一些特殊字符，这些字符一共也不到128个，所以他们用1个字节来存储1字符就够了，美国人把他们用到的字符和字符对应的编码总结成了一张码表，这张码表也就是ASCII码表（也被称为ASCII字符集）

其实计算机只在美国用是没有问题的，但是计算机慢慢的普及到全世界，当普及到中国的时候，在计算机中想要存储中文，那ASCII字符集就不够用了，因为中文太多了，随便数一数也有几万个字符。

于是中国人为了在计算机中存储中文，也编了一个中国人用的字符集叫做GBK字符集，这里面包含2万多个汉字字符，GBK中一个汉字采用两个字节来存储，为了能够显示英文字母，GBK字符集也兼容了ASCII字符集，在GBK字符集中一个字母还是采用一个字节来存储。

1.2 汉字和字母的编码特点

需要我们注意汉字和字母的编码特点：

1、如果是存储字母，采用1个字节来存储，一共8位，其中第1位是0

2、如果是存储汉字，采用2个字节来存储，一共16位，其中第1位是1

 当读取文件中的字符时，通过识别读取到的第1位是0还是1来判断是字母还是汉字

如果读取到第1位是0，就认为是一个字母，此时往后读1个字节。

如果读取到第1位是1，就认为是一个汉字，此时往后读2个字节。

1.3 Unicode字符集

其实虽然GBK字符集来表示中国人使用的文字，那世界上还有很多其他的国际，他们也有自己的文字，他们也会希望自己国家的文字在计算机中处理，于是其他国家也在搞自己的字符集，就这样全世界就搞了上百个字符集，而且各个国家的字符集互不兼容。这样其实很不利于国际化交流，举个例子就是一个文件在我们国家的电脑打开的好好的，但是在其他国家上打开就是乱码了。

为了解决各个国家字符集互不兼容的问题，由国际化标准组织牵头，设计了一套全世界通用的字符集，叫做Unicode字符集。在Unicode字符集中包含了世界上所有国家的文字，一个字符采用4个字节存储。

在Unicode字符集中，采用一个字符4个字节的编码方案，又造成了另一个问题：如果是说英语的国家，他们只需要用到26大小写字母，加上一些标点符号就够了，本身一个字节就可以表示完，用4个字节就有点浪费了。

于是又对Unicode字符集中的字符进行了重新编码，一共设计了三种编码方案。

分别为：

1、UTF-32

2、UTF-16

3、UTF-8

其中比较常用的编码方案是UTF-8

接下来是UTF-8这种编码方案的特点。

1、UTF-8是一种可变长的编码方案，一共分为4个长度区

2、英文字母、数字占1个字节兼容（ASCII编码）

3、汉字字符占3个字符

4、极少数字符占4个字节

1.4 字符集小结

ASCII字符集：

《美国信息交换标准代码》，包含英文字母、数字、标点符号、控制字符

特点：1个字符占1个字节

GBK字符集：

中国人自己的字符集，兼容ASCII字符集，还包含2万多个汉字

特点：1个字母占用1个字节；1个汉字占用2个字节

Unicode字符集：

包含世界上所有国家的文字，有三种编码方案，最常用的是UTF-8

UTF-8编码方案：英文字母、数字占1个字节兼容（ASCII编码）、汉字字符占3个字节

1.5 编码和解码

其实String类中就提供了相应的方法，可以完成编码和解码的操作。

1、编码：把字符串按照指定的字符集转换为字节数组

2、解码：把字节数组按照指定的字符集转换为字符串