java string 字符集_JAVA字符集

背景

字符集和编码是两个不同的概念

字符集 --- 指对某些语言文字的编号，这个编号是字符集的原始编码

编码 --- 一个字符集一般会有多种具体编码，用于计算、存储、传输

注意：有的字符集没有其他具体编码，直接使用原始编码进行计算、存储、传输

举例 UNICODE字符集，这个字符集把全世界的所有字符(包括字母、象形文字)统一赋予一个唯一编号，这个就是UNICODE原始编码

UTF-8 UTF-16 UTF-32等等这些编码 都是针对UNICODE字符集的编码

为什么不用字符集(这里指UNICODE)原始编码直接存储、传输、计算？

因为UNICODE原始编码最少要2个字节才能表示一个字符

会导致计算不兼容(比如C语言的字符串函数，就是以一个值为0的字节为结束标志的，而UNICODE字符好多高位都是0X00 会被解释成NULL)，会导致老程序出现错误，当然和老程序的互通，不兼容ASCII码 都会导致问题

会导致存储不兼容，因为计算机CPU存在大小端问题，UNICODE原始码2个字节的顺序，在不同计算机上解释是不同的，会导致解析错误

减小存储空间，提供传输效率，因为ASCII码在UNICODE里最少都是2个字节存储，对英语存储大了一倍，而UTF-8(对ASCII码完全兼容，用一个字节表示ASCII码)就没有这种问题

注意：以下所提到的字符集 其实都是指某种字符集的某种具体编码，平常经常说道的字符集 其实都是特指某种具体编码

JAVA字符集

JAVA源代码文件字符集

CLASS文件(编译好的文件)使用的字符集

内存中字符使用的字符集

外部数据有自己的字符集，和java交互数据时 需要转换

JSP文件字符集

JSP文件中指定的字符集

JAVA 字符串在内存中使用UCS2字符集，一个字符一般是2个字节，也有4个字节;

在读、写文件，网络收、发包 等外部交互数据时 ，才需要把内存中的字符串和外设的byte数组互相转换，这时就涉及字符集问题了，序列化/反序列化时最好指定字符集编码，

否则JVM使用当前系统使用的字符集来序列化/反序列化；如果当前系统字符集不和对方不一致，会导致乱码；

比如 byte[] dest = str.getBytes("UTF-8"),如果调用这个getBytes函数进行序列化时，不指定字符集，就是用系统字符集gb2312,如果对方要求用UTF-8，那就有乱码了；

同理 str new String(dest,"UTF-8")，如果调用这个函数进行解码时，如果不指定字符集，也是使用系统字符集，可能会导致解码成乱码；

编程影响

编程时，以下几点要注意

1.读文件/写文件 字符集

看以下代码

File file = new File("/root/tmp"); //不涉及外设，只是构造了一个内存对象

InputStream ins = new FileInputStream(file); //打开文件流，这个涉及外设，不过流只是byte数组，还不涉及编码

InputStreamReader insr = new InputStreamReader(ins,"UTF-8");//字符读取器，这个涉及到字符编码，因为要从字节数组，转换成内存字符了

写文件和这个类似，主要是涉及到byte char互相转换时候，就涉及到字符集转换了;

java中真正的流 都不涉及字符集，仅仅是byte流读写

2.网络收/发包 字符集

收到的都是byte数组，最终发送的也是byte数组，转换时候注意字符集就行

TOMCAT默认使用ISO-8859-1编码，支持不了中文，

3.java源文件 字符集

这个在编译器工作时,需要明确指明java源文件的编码类型，否则可能会导致编译失败，也可能会导致运行错误。

.java文件的编码和javac 指定的编码要一致，编译成功后，都是UTF-8字符集，就无错误了

4.JSP文件字符集

JSP文件本身的字符集和JSP文件中指定的字符集 要一致，否则可能导致乱码，编译时候就导致错误了，一般这2个字符集一致，就OK了