一、字符流
- 字节流操作中文不是很方便,所以Java提供了字符流
- 字符流 = 字节流 + 编码表
- 用字节流复制文本文件时,文本文件也有中文,但却显示正常,这是因为最终底层操作会自动进行字节拼接成中文
- 汉字在存储的时候,无论选择哪种编码存储,第一个字节都是负数
二、编码表
1、基础知识
- 计算机中存储的信息都是用二进制数表示的,我们在屏幕上看到的英文、汉字等字符是二进制数转换之后的结果
- 按照某种规律,将字符存储在计算机中,称为编码。反之,将存储在计算机中的二进制数按照某种规则解析显示出来,称为解码。需要注意的是,编码和解码必须按照同一种规律,否则将出现乱码
- 字符编码是一套自然语言的字符与二进制数之间的对应规则
2、字符集
- 字符集是一个系统支持的所有字符的集合,包括各国家文字、标点符号、图形符号、数字等
- 计算机要准确的存储和识别各种字符集符号,就需要进行字符编码,一套字符集必然至少由一套字符编码。
- 常见字符集有ASCII字符集、GBXXX字符集、Unicode字符集等
① ASCII字符集
-
ASCII(American Standard Code for Information
Interchange,美国信息交换标准代码),基于拉丁字母的一套电脑编码系统,用于显示现代英语,主要包括控制字符(回车键、退格、换行键等)和可现实字符(英文大小写字符、阿拉伯数字和西文符号) -
基本的ASCII字符集,使用7位表示一个字符,共128字符
-
ASCII的扩展字符集使用8位表示一个字符,共256字符,方便支持欧洲常用字符,是一个系统支持的所有字符的集合,包括各国家文字、标点符号、图形符号、数字等。
② GBXXX字符集
- GB2312:简体中文码表。一个小于127的字符的意义与原来相同。但两个大于127的字符连在一起时,表示一个汉字,大约可以组合包含7000多个简体汉字。此外,数学符号、罗马希腊的字母、日文的假名等都编进去了,连在ASCII里本来就有的数字、标点、字母都统统重新编了两个字节长的编码,这就是常说的“全角”字符,而原来在127号以下的就叫“半角”字符
- GBK:最常用的中文码表,是在GB2312标准基础上的扩展规范,使用了双字节编码方案,共收录21003个汉字,完全兼容GB2312标准,同时支持繁体汉字以及日韩汉字等
- GB18030:最新的中文码表,收录汉字70244个,采用多字节编码,每个字可以由1个、2个或4个字节组成。支持中国国内少数民族的文字,同时支持繁体汉字以及日韩汉字等。
③ Uniclde字符集
- 为表达任意语言的任意字符而设计,是业界的一种标准,也称为统一码、标准万国码。最多使用4个字节的数字表示每个字母、符号或者文字。
- 有三种编码方案:UTF-8、UTF-16、UTF32。UTF-8是最常用的。
- UTF-8编码可以用来表示Unicode标准中任意字符,是电子邮件、网页及其他存储或传送文字的应用中,优先采用的编码。互联网工程工作小组(IETF)要求所有互联网协议都必须支持UTF-8编码。UTF-8编码使用1-4个字节为每个字符编码。
- UTF-8编码规则
- 128个US-ASCII字符,使用个字节编码
- 拉丁文等字符,使用2个字节编码
- 大部分常用字(含中文),使用3个字节编码
- 其他极少使用的Unicode辅助字符,使用4个字节编码