java 中文web编码_简单理解Java web 中中文编码（一）

目录

前言

计算机中一个基本的存储单元是字节(byte)，但是由于人类世界的语言众多，要让计算机理解我们的语言，必须要经过一个拆分和翻译的过程，这个过程就是编码；

一个字节(byte)，为 8 个 bit，表示的字符范围为 0~255 个；

1个字节无法完全表示人类的符号，所以使用了一个新的数据结构 char，char 到 byte 必须编码。

常见的编码格式

编码格式就是翻译方式，定义了转化的规则。

Unicode：ISO 试图创建的一个超语言字典，想让世界上所有语言可以通过这个相互翻译

1. ASCII码

可表示 128 个字符，单字节编码，使用一个字节的低 7 位表示，可以通过键盘输入并打印出来，0~31 控制字符(换行、回车...),32~126 打印字符。

2. ISO-8859-1

ISO-8859-1 至 ISO-8859-15，为 ISO 在 ASCII 码基础上扩展而来，ISO-8859-1 涵盖大多数西欧语言字符，应用最广泛，单字节编码，可表示 256 个字符。

3. GB2312

双字节编码，全称《信息技术 中文编码字符集》，编码范围 A1~F7，A1~A9 符号区(682 符号)，B0~F7 汉字区(6763 汉字)。

4. GBK

扩展 GB2312，编码和 GB2312 兼容，编码范围 8140~FEFE(去掉 XX7F)，一共 23940 个码位，可以表示 21003 个汉字。

5. GB18030

可能是单字节、双字节或者四字节编码，与 GB2312 兼容，使用并不广泛。

6. UTF-16

具体定义了 Unicode 字符在计算机中的存取方法，使用两个字节表示 Unicode 转化格式，采用定长的表示方法，每两个字节表示一个字符，简化了字符串的操作，Java使用 UTF-16作为内存的字符串存储格式。

7. UTF-8

使用 UTF-16 编码，原先只需一个字节的字符现在也需要用两个字节表示，增大了存储空间和网络传输的流量，而 UTF-8 采用一种变长技术，每个编码区域有不同的字码长度，不同类型的字符可以由 1~6 个字节组成。

UTF-8编码规则：

如果是一个字节，最高位(第8位)为0，表示这个字符为 ASCII 字符；

如果是一个字节，以 11 开头，比如 110xxxxx，代表双字节UTF-8字符的首字节；

如果是一个字节，以10开始，表示不是首字节，需向前查找得到当前字符的首字节。

几种编码格式的比较

讨论编码：ISO-8859-1、GB2312、GBK、UTF-16、UTF-8

针对语言：中文

ISO-8859-1：

黑洞现象：把不认识的字符吸收掉，一些中文字符经过 ISO-8859-1 编码会丢失信息。

注意：大部分 Java 框架默认字符集编码为 ISO-8859-1。

GB2312：

GB2312 字符集有一个从char 到 byte 的码表，不同的字符编码从这个码表找到字符对应的字节，如果查到的码位值大于 0xff，则为双字节(高 8 位第一个字节，低 8 位第二个字节)，否则为单字节。

GBK：

GBK 和 GB2312 编码算法一样，GBK 编码兼容 GB2312 编码，但是 GBK 包含汉字字符更多

UTF-16：

将字符的高位和低位拆分成两个字节，编码效率高，规则简单。

存在的问题：采用顺序编码，无法对单个字符的编码值进行校验，浪费了存储空间(对单字节字符)

UTF-8：

对单字节范围内的字符使用1个字节表示，汉字采用3个字节表示

比较：

就 GBK 和 GB2312 来说，GBK 可表示中文字符的范围大，应选择 GBK；

UTF-8 与 GBK 和 GB2312 不同，不需要查码表，效率高，采用 UTF-8；

UTF-8 和 UTF-16 都是处理 Unicode 编码，但是编码规则不同，相对来说，UTF-16 编码效率较高，字符(char)和字节(byte)相互转换更简单，进行字符串操作也更好，适合在磁盘、内存中使用，提供 char 和byte 之间的快速切换；UTF-8更适合网络传输，网络传输易损坏字节流，UTF-8 使用单字节存储 ASCII 字符，损坏单个字符不会影响后面字符。