关于字符编码的问题（ASCII、Unicode、utf-8、utf-16、GBK 等）

字符编码问题

之前关于字符编码问题在网上看了不少文章
还有关于Java采用Unicode编码这句话到底应该怎么理解？
以及Java面试题：Java中，char型变量中能不能存储一个中文汉字，为什么？
等等这些一连串的问题。
刚开始确实被误导了不少概念，不过现在总算是理清了。在此做一下记录。

字符编码简单分析一下

• 世界万物在计算机上是用0和1来表示的，所以全球的字符、符号都是可以用0和1来表示
• Unicode是计算机业界标准，给世界上所有的字符都规定了唯一的编号
• GB2312、GBK等，GB开头的 主要是针对中文常见字符，规定了另一套编号
• ASCII是美国为了表示 美国所需要的128个字符规定了一套编号标准
• 当然除此之外还有其他，比如ISO 8859-1

计算机存储单位 几个概念

1bit：也叫1位、1比特；
8位: 即 $2^8$ 用二进制来表示是10000000 可以表示256个字符；
1B: 即1字节；
1B（byte，字节）= 8 bit 所以1B可以表示256个字符；也是计算机的最小存储单位
1KB（Kilobyte，千字节）=1024B= 2^10 B；
1MB（Megabyte，兆字节，百万字节，简称“兆”）=1024KB= 2^20 B；
1GB（Gigabyte，吉字节，十亿字节，又称“千兆”）=1024MB= 2^30 B；

ASCII（American Standard Code for Information Interchange）

• 用1B（1字节）的大小来表示英文的128个字符，最高位设置为0
• 所以如果是按照ASCII来的话，每一个英文字母占用的大小都是1B

GB2312

• 字体名称：仿宋
• 固定使用2B（2字节）来表示一个汉字，不过还是不够表示所有汉字，但可以表示绝大部分常见的汉字
• 表示英文字符：如果两个字节最高位都是0，就表示ASCII字符
• 表示汉字：如果两个字节最高位都是1，就表示汉字

GBK（Chinese Internal Code Specification）

• GBK全称《汉字内码扩展规范》GBK即“国标”、“扩展”汉语拼音的第一个字母
• 固定使用2B（2字节）来表示一个汉字，表示的范围比GB2312大一些，包括了罕用字符和繁体字

Unicode（Universal Code）

Unicode为全世界所有的字符都进行了编码 大概有一百多万，那这一百多万个字符该用多少个字节来表示呢？对于这个问题有以下几种解决方案：

• UTF-32（UCS Transfromation Formate 32bit）
  1. 全部用4个字节的二进制表示，也就是32位，编号不够的二进制位补零
  2. 任何一个字符都是32位，无论字母还是汉字
• UTF-16（UCS Transfromation Formate 16bit）
  1. 采用变长字节表示
  2. 一部分用4个字节表示，一部分用2个字节表示
  3. 因为2个字节可以表示绝大部分字符，因此比较节省空间
• UTF-8（UCS Transfromation Formate 8bit）
  1. 采用变长字节表示
  2. 用1个字节、2个字节、3个字节、4个字节表示的都有
  3. UTF-8兼容ASCII，所以，用一个字节表示的英文字符就和ASCII一样了
  4. 对于大部分汉字来讲，需要用三个字节来表示，可能是为了兼容ASCII做出的牺牲吧！

关于Java中，char型变量中能不能存储一个中文汉字，为什么？

• 首先答案是当然可以
• 为什么?
  • char 数据类型 本身占用2个字节大小
  • Java采用Unicode编码，意思是按照Unicode上的编号来解析二进制数
  • 汉字有的占2个字节，有的占4个字节（比如一些生僻字"𫝈、𫝉、𫝊、𫝋",属于汉字 Unicode 编码扩展部分的）
  • 两个字节的肯定可以表示
    
  • 4个字节的就不可以表示了
    

补充：ANSI

• ANSI标准：一种标准，美国国家标准学会（AMERICAN NATIONAL STANDARDS INSTITUTE: ANSI）
• ANSI：一种字符代码，即表示字符的代码。如：在简体中文Windows系统中的ANSI编码是GBK编码，而在日文Windows系统中的ANSI编码则是另一种编码方式