Java基础篇之二----字符编码和字符集

字符编码

字符集

字符编码和字符集的区别

1.理解字符集和字符编码

我们能读懂的字符，计算机不能读懂，如果我们要让计算机帮我们实现两个字符串的相加“a"+"b"="ab"，但是计算机并不知道字符a和字符b是什么，那怎么解决呢？

这里提出一个设想，做一个映射表，字符a映射一个数字x，字符b映射一个数字y，那么当我们需要计算机帮我们处理这些字符的时候，计算机先到映射表中查找字符对应的数字，然后对这些数字进行处理。那么这样的映射表就是字符集。将字符集中的对应的字符转换成二进制的方式（规则）叫做字符编码，每种字符集都有自己对应的编码方式。

常见的字符集

ASCII字符集

由于计算机是美国人发明的，最早只有128个字符被编码到计算机里（只有128个字符设置映射关系），也就是大小写字母、数字和一些符号，这个编码表称为ASCII字符集。

比如大写字母A在ASCII是十进制的65（可以转化一下，转为二进制），小写字母z在ASCII中对应的十进制是122，记住ASCII字符集是一个字节（8个bit位）开存储数据的。

GB2312字符集

中文显然是一个字节不够，至少需要两个字节，而且不能和ASCII编码冲突，所以中国制定了GB2312字符集，在ASCII基础上把中文编码进去形成的一个新的字符集，用来把中文编进去。

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，在多语言混合的文本中，显示传来就会有乱码。这时候Unicode字符集出现了。

Unicode字符集

Unicode把所有语言都统一到一套字符集里。这样就不会再有乱码问题了。Unicode标准也在不断发展，但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）。现代操作系统和大多数编码语言都是直接支持Unicode。

ASCII字符集和Unicode字符集的区别：

ASCII字符集是1个字节春粗字符，Unicode字符集通常是2个字节来存储数据。

例如：字母A在ASCII字符集中的十进制是65，二进制是01000001；如果ASCII编码A用Unicode编码，只需要在前边补0就可以，因此A的Unicode编码是00000000 01000001。

汉字”中“已经超出ASCII字符集的范围，用Unicode字符集的十进制是20013，二进制是01001110 00101101。

UTF-8编码

如果统一成Unicode编码，乱码问题处理了。但是，如果你写的文本基本上全是英文的话，用Unicode编码（Unicode字符集本身有自己对应的编码方式，这种方式叫做Unicode编码）比ASCII编码（ASCII字符集本身有自己对应的编码方式，这种方式叫做ASCII编码）需要多一倍的存储空间，在存储和传输就不方便。

因此，又出了把Unicode编码（转化为”可变长编码“的UTF-8编码。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，只有恨生僻的字符才会被编码成4-6个字节。如果要传输的文本含大量英文字符，用UTF-8就能节省空间。

例如：字符A，ASCII二进制01000001，Unicode二进制00000000 01000001，UTF-8二进制01000001.

从例子中可以发现UTF-8编码的一个好处，就是ASCII编码实际上可以被看成是UTF-8编码的一部分，所以大量只支持ASCII编码的历史预留软件可以在UTF-8编码下继续工作（这就是UTF-8编码兼容ASCII编码）。

每个字符都在Unicode字符集中对应的编码，每个Unicode编码可以使用十进制表示，也可以使用二进制表示，还可以使用十六进制表示。如果要比较两个字符的大小，那么根据他们在字符集中对用的编码带下来实现比较。

如果要让字符排序可以使用他们的编码作为参考，其实字典顺序比较就与编码有关。