Java——字符流简介、编码表、字符集

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