浅析字符编码的范围及之间的关系

前言

由于要解决文档中的乱码，就查找了乱码产生的原因。
乱码是因为解码方式和编码方式不一致导致的!!!
如用UTF-8编码“中文”这个词，用ASCll来解码，会输出？？
，用GBK中就会输出乱码（看不懂的符号）。
在此总结下字符的编码格式：

ASCII 码

ASCII 码(美国信息互换标准代码)，使用一个字节（byte）进行存储。包含英文，标点符号，数字。适用于纯英文环境的使用。互联网初期通用编码！
一个字节包含8个二进制位bit（00000000-11111111），可以存储256种状态。

Unicode 字符集：

包含当前出现的所有字符，每个字符一个唯一的码点(code point)。但未规定存储方式。java默认使用Unicode字符集。编码方式包含：UTF-8，UTF-16，UTF-32 三种

  UTF-8

UTF-8 是Unicode字符集实现的一种编码方式，仅包含Unicode的一部分内容，可供日常使用
特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。java默认使用utf-8编码方式

UTF-8 的编码规则很简单，只有二条：
1）对于单字节的符号：字节的第一位设为0，后面7位为这个符号的 Unicode 码。因此对于英语字母，UTF-8 编码和 ASCII 码是相同的；
2）对于n字节的符号（n > 1）：第一个字节的前n位都设为1，第n + 1位设为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。

UTF-16	UTF-16 编码最小单位是两个字节，所以有字节序的问题（分大端序和小端序）。jvm中采用utf-16进行存储

UTF-32	采用4个字节存储。码点值是多少，内存中就存多少

中文编码

gb2312,GBK,gb18030

GB2312		中国国家标准简体中文字符集。收录6763个汉字，基本满足了字的计算机处理需要。
GBK			GBK是gb2312的扩展级，包含了更多的汉字！只是一种标准。
GB18030		全称《信息技术 中文编码字符集》。收录汉字70,244个。兼容gb2312和GBk

其他

 ISO-8859-1	单字节编码，向下兼容ASCII，增加了欧洲的部分字符，字符范围是0-255

编码转化方式

即GBK、GB2312等与UTF8之间都必须通过Unicode编码才能相互转换：

1. GBK、GB2312 --先转–> Unicode --再转–> UTF8
2. UTF8 --先转–> Unicode–再转–> GBK、GB2312

小结

ASCII码使用一个字节存储，是最基础的一种编码格式。其中的非打印类的字符均包含在其他的编码格式中；
Unicode包含的字符最多，UTF-8在互联网上使用最多

中文主要涉及三大派系：

• ASCll
• Unicode
• GBK

参考文档：

字符编码那点事：快速理解ASCII、Unicode、GBK和UTF-8

计算机字符编码的前世今生