字符、字符集和字符编码详解（一文扫清疑惑）

最新推荐文章于 2024-08-20 14:21:59 发布

你是猪猪猪儿虫

最新推荐文章于 2024-08-20 14:21:59 发布

阅读量662

点赞数 3

分类专栏： JAVA

原文链接：https://blog.csdn.net/qq_42068856/article/details/83792174

版权

JAVA 专栏收录该内容

12 篇文章 0 订阅

订阅专栏

前言

字符、字符集和字符编码时常看见，之前也看过一些博文，看得迷迷糊糊地，看过即忘，今天有幸碰到一篇能让我醍醐灌顶的文章，整理一下相关知识点与大家分享！
原博文地址：字符集编码详解（学习，看一篇就够了）

一、基本概念

1.1 字节和字符

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

字符和字节不太一样，任何一个文字或符号都是一个字符，但所占字节不一定，不同的编码导致一个字符所占的内存不同。

例如：标点符号+是一个字符，汉字我们是两个字符，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。

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。于是就有了编码规范。

1.2 编码规范

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。

例如：
（1）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之间相互转换。而使用GBK编码就可以使计算机显示中文字符。
（2）Unicode 编码规范，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，又称“万国码”，其统一了全世界的语言符号，但也存在缺点：每个字符对应的二进制地址需要4个字节来存储，浪费了大量存储空间。

编码规范由3个子概念构成，即：编码规范 = 字库表 + 字符集 + 编码方式，下面将介绍这3个子概念。

1.3 字库表、字符集和字符编码

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滴，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。

编码字符集（字符集）

我们平时说的字符集就是这个。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二进制地址的集合。

例如：在ASCII码的编码字符集中，字母A的序号（地址）是65，65的二进制就是01000001。我们可以说编码字符集就是用来存储这些二进制数的。而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。

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。

对于：ASCII、GBK、ISO-8859-1编码规范来说，其最初定义的编码方式是什么就用什么（字符直接对应二进制地址进行编码），没有什么别的编码方式，则将：ASCII编码规范的编码方式称为ASCII编码、GBK编码规范的编码方式称为GBK编码…

各编码规范3子概念关系如下图：
在这里插入图片描述
从左到右：字库表中字符使用相应编码方式将编码字符为相应二进制地址存储在计算机中

从右到左：将字符的二进制地址读取，显示出对应的字符

详细例子，如：ASCII编码规范
在这里插入图片描述
黄色框内表示ASCII编码规范字库表中字符

红色框内表示ASCII编码规范字符集中二进制地址

例如：字符B属于字库表，其对应字符集中二进制0100 0010

上述编码规范是直接使用字符对应的二进制地址来显示字符，一般情况下还是够用的，但对于统一了全球字符的Unicode编码规范，若直接使用字符对应的二进制地址来显示字符是十分浪费存储空间的。

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是一种编码规范。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。

至此，大家应该能够清楚的知道，什么是字符集了。

二、常见编码规范简单介绍

2.1 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。

2.2 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。

2.3 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。

2.4 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

在这里插入图片描述
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。

三、编码与解码

3.1 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，产生其他不合理的字符，这就是我们通常说的————乱码！

3.2 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，但如果编码规范的字库表不包含目标字符，则无法在字符集中找到对应的二进制数。这将导致不可逆的乱码！例如：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，也无法显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，或者编码时其字库表中不包含相应字符所导致的结果。所以为防止乱码，应当使用合适的编码规范，且对字符的编、解码方式一致，即：“解铃还须系铃人”。

四、代码演示

以java语言为例，我们先将一串中文字符串使用UTF-8 编码方式进行编码变成字节数组，然后将字节数组打印出来。

String chinese="汉";
//使用UTF-8编码方式进行编码。
byte[] bs = chinese.getBytes("UTF-8");
for (byte b : bs) {
	System.out.print(b+" ");
}

结果：

-26 -79 -119

可以看出，1个汉字变成了3个字节，证明了1个汉字在UTF-8 编码方式下占3个字节。

我们继续，将字节数组，使用UTF-8 编码方式进行解码。

//使用UTF-8编码方式进行解码。
String utf8 = new String(bs,"UTF-8");
System.out.println(utf8);

结果：

汉

解码后正确的显示了中文字符汉字。

但如果我们使用GBK进行解码。

//使用GBK编码方式进行解码。
String gbk = new String(bs, "GBK");
System.out.println(gbk);

结果：

姹?

说明使用错误的解码方式就会乱码。

但如果将汉字使用ISO-8859-1进行编码，然后解码

String chinese = "我是帅哥";
//使用ISO-8859-1编码方式进行编码。
byte[] bs = chinese.getBytes("ISO-8859-1");
for (byte b : bs) {
	System.out.println(b + " ");
}
//使用ISO-8859-1编码方式进行解码。
String iso = new String(bs, "ISO-8859-1");
System.out.println("\n"+iso);