一, 常见码表:
ASCII:美国标准信息交换码。 用一个字节的7位可以表示,最高位为符号位。
ISO8859-1:拉丁码表。欧洲码表 用一个字节的8位表示。
GB2312:中国的中文编码表。
GBK:中国的中文编码表升级,融合了更多的中文文字符号。
GB18030:GBK的取代版本
BIG-5码 :通行于台湾、香港地区的一个繁体字编码方案,俗称“大五码”。
二, 编码冲突问题
全世界有上百种语言,日本把日文编到Shift_JIS 里,韩国把韩文编到Euc-kr里,各国有各国的标准,就会不可避免地出现冲突,结果就是,在多语言混合的文本中,显示出来会有乱码。
因此,Unicode应运而生。Unicode把所有语言都统一到一套编码里,这样就不会再有乱码问题了。
Unicode:国际标准码,融合了多种文字。
最常用的是用两个字节表示一个字符(如果要用到非常偏僻的字符,就需要4个字节),
Java语言使用的就是该编码。
三, 传输以及存储数据冗余问题
如果统一成Unicode编码,乱码问题从此消失了。但是,如果你写的文本基本上全部是英文的话,用Unicode编码比ASCII编码需要多一倍的存储空间,在存储和传输上就十分不划算。本着节约的精神,又出现了把Unicode编码转化为“可变长编码”的UTF-8编码
UTF-8: 称为通用转换格式,即UTF(Universal Transformation Format)。
目前存在的UTF格式有:UTF-7, UTF-7.5, UTF-8, UTF-16, 以及 UTF-32。
UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节,
常用的英文字母被编码成1个字节,
汉字通常是3个字节,
只有很生僻的字符才会被编码成4-6个字节。
四, UTF-8和Unicode不存在隶属关系, UTF-8不是Unicode的一部分,不是把高位为零的截取掉那么简单
Unicode转换到UTF-8规则如下:
(1)如果Unicode编码的16位二进制数的前9位是0, 则UTF-8编码用一个字节来表示,这个字节的首位是0,剩下的7位与原二进制数据的后7位相同。例如:
Unicode编码:\u0061 = 00000000 01100001
UTF-8编码: 01100001 = 0x61
(2)如果Unicode编码的16位二进制数的头5位是0,则UTF-8编码用2个字节来表示,首字节用110开头,后面的5位与原二进制数据去掉前5个零后的最高5位相同;第二个字节以10开头,后面的6位与原二进制数据的低6位数据相同。例如:
Unicode编码: \u00A9 = 00000000 10101001
UTF-8编码: 11000010 10101001 = 0xC2 0xA9
(3)如果不符合上述两个规则,则用3个字节表示。第一个字节以1110开头,后四位为原二进制数据的高四位,第二个字节以10开头,后六位为原二进制数据的中间6位,第三个字节以10开头,后6位为原二进制数据的低6位。例如:
Unicode编码: \u4E2D = 01001110 00101101
UTF-8编码: 11100100 10111000 10101101 = 0xE4 0xB8 0xAD
五, ASCII可以看做是UTF-8的一部分
英文的Unicode码符合上面第四小节的第一条转码规则,使得英文情况下Unicode转成utf-8,同时也转成了ASCII表示方式.
六, 内存编码, 存储编码, 传输编码
在计算机内存中,统一使用Unicode编码,当需要保存到硬盘或者需要传输的时候,就转换为UTF-8编码。
用记事本编辑的时候,从文件读取的UTF-8字符被转换为Unicode字符到内存里,编辑完成后,保存的时候再把Unicode转换为UTF-8保存到文件:
浏览网页的时候,服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器:
所以你看到很多网页的源码上会有类似的信息,表示该网页正是用的UTF-8编码。