JAVA中的字符编码

Unicode（统一码、万国码、单一码）是计算机科学领域里的一项业界标准,包括字符集、编码方案等。Unicode 是为了解决传统的字符编码方案的局限而产生的(ASCII码)，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。1990年开始研发，1994年正式公布.

一个叫 ISO （国际标谁化组织）的国际组织决定着手解决这个问题。他们采用的方法很简单：废了所有的地区性编码方案，重新搞一个包括了地球上所有文化、所有字母和符号的编码！他们打算叫它”Universal Multiple-Octet Coded Character Set”，简称 UCS, 俗称 “UNICODE”。

UNICODE 来到时，一起到来的还有计算机网络的兴起，UNICODE 如何在网络上传输也是一个必须考虑的问题，于是面向传输的众多 UTF（UCS Transfer Format）标准出现了，顾名思义，UTF8 就是每次 8 个位传输数据，而 UTF16 就是每次 16 个位，只不过为了传输时的可靠性，从 UNICODE 到 UTF 时并不是直接的对应，而是要过一些算法和规则来转换。

UTF是Unicode TransferFormat的缩写，UTF-8和UTF-16都是把Unicode码转换成程序数据的一种编码方式。

• UTF-8（8-bit Unicode Transformation Format）是一种针对Unicode的可变长度字符编码，又称万国码。由Ken Thompson于1992年创建。现在已经标准化为RFC 3629。UTF-8用1到6个字节编码Unicode字符。用在网页上可以统一页面显示中文简体繁体及其它语言（如英文，日文，韩文）。

  像UTF-8里面，ASCII所表示的字符集就是用1 Byte来表示，而大部分汉字则是用3 Byte来表示。

  相较于Unicode统一使用2 Byte来表示字符，在遇到大部分字符都可以用1 Byte表示时，能够节省许多存储空间。但是，如果遇到需要用超过2 Byte来表示的字符，那么UTF-8的编码方式则会消耗更多的存储空间。

• UTF-16是Unicode字符编码五层次模型的第三层：字符编码表（Character Encoding Form，也称为 “storage format”）的一种实现方式。即把Unicode字符集的抽象码位映射为16位长的整数（即码元， 长度为2 Byte）的序列，用于数据存储或传递。Unicode字符的码位，需要1个或者2个16位长的码元来表示，因此这是一个变长表示

  引用维基百科中对于UTF-16编码的解释我们可以知道，UTF-16最少也会用2 Byte来表示一个字符，因此没有办法兼容ASCII编码（ASCII编码使用1 Byte来进行存储）。

• GBK是个什么东西。GBK是国标扩(展)的拼音首字母，是我国在1995年制定的专门针对汉语和一些少数名族语言的编码方式，和Unicode之间没有一一对应的关系，也就是说Unicode中有的字符GBK不一定有，GBK有的字符Unicode也不一定有，而且GBK和Unicode中共有字符，他们的编码值没有一种简单的对应关系，也就是无法通过简单计算得到，只能通过查表转换。为什么会有GBK这种奇葩呢？其实是当时Unicode还没制定好，更没在全球范围内推广，而中国人要用电脑总不可能永远用英语吧？所以我国就自行制定了一个国标，当时是GB2312，(其实台湾地区针对繁体还有一个Big5，但这里就不详述了)，GB2312后来增加了很多字符，包括很多少数名族的语言，成为了一个新的编码标准，那就是GBK。

• 一个汉字占几个字符？

  这和编码有关，UTF8一个汉字占3个字节，GBK一个汉字占2个字节。在Java中，char类型描述了UTF-16编码中的一个代码单元

• 一个中文需要3个字节才可以存储，而char只有两字节？

  java采用UTF-16编码，UTF-16有两种编码方式，2字节的和4字节的，2字节的编码后等于Unicode值

• 字节与字符：

  • ASCII 码中，一个英文字母（不分大小写）为一个字节
  • UTF-8 编码中，一个英文字为一个字节，一个中文为三个字节。
  • Unicode 编码中，一个英文为一个字节，一个中文为两个字节。
  • 符号：**英文标点为一个字节，中文标点为两个字节。**例如：英文句号 . 占1个字节的大小，中文句号 。占2个字节的大小。
  • UTF-16 编码中，一个英文字母字符或一个汉字字符存储都需要 2 个字节**（Unicode 扩展区的一些汉字存储需要 4 个字节）**。
  • UTF-32 编码中，世界上任何字符的存储都需要 4 个字节

求赞