Java字符编码原理

GB 2312 标准共收录 6763 个汉字

GBK 共收入 21886 个汉字和图形符号

GB 18030，全称：国家标准 GB 18030-2005《信息技术中文编码字符集》，是中华人民共和国现时最新的内码字集， GB 18030 与 GB 2312-1980 和 GBK 兼容，共收录汉字70244个

Java开发中，常常会遇到乱码的问题，一旦遇到这种问题，常常比较烦恼，其实编码问题并没有那么神秘，那么不可捉摸，搞清Java的编码本质过程就真相大白了。
其实，编码问题存在两个方面：JVM之内和JVM之外。
1、Java文件编译后形成class
        这里Java文件的编码可能有多种多样，但Java编译器会自动将这些编码按照Java文件的编码格式正确读取后产生class文件，这里的class文件编码是Unicode编码（具体说是UTF-16编码）。
 因此，在Java代码中定义一个字符串：String s="汉字";不管在编译前java文件使用何种编码，在编译后成class后，他们都是一样的----Unicode编码表示。
2、JVM中的编码
        JVM加载class文件读取时候使用Unicode编码方式正确读取class文件，那么原来定义的String s="汉字";在内存中的表现形式是Unicode编码。当调用String.getBytes()的时候，其实已经为乱码买下了祸根。因为此方法使用平台默认的字符集来获取字符串对应的字节数组。在WindowsXP中文版中，使用的默认编码是GBK，不信运行下：
public class Test { 
 public static void main(String[] args) { 
  System.out.println("当前JRE：" + System.getProperty("java.version")); 
  System.out.println("当前JVM的默认字符集：" + Charset.defaultCharset()); 
 } 
}
当前JVM的默认字符集：GBK
当不同的系统、数据库经过多次编码后，如果对其中的原理不理解，就容易导致乱码。因此，在一个系统中，有必要对字符串的编码做一个统一，这个统一模糊点说，就是对外统一。比如方法字符串参数，IO流，在中文系统中，可以统一使用GBK、GB18030、UTF-8、UTF-16等等都可以，只是要选择有些更大字符集，以保证任何可能用到的字符都可以正常显示，避免乱码的问题。（假设对所有的文件都用ASCII码）那么就无法实现双向转换了。
要特别注意的是，UTF-8并非能容纳了所有的中文字符集编码，因此，在特殊情况下，UTF-8转GB18030可能会出现乱码，一个系统多个人做，源代码文件有的人用GBK编码，有人用UTF-8，还有人用GB18030。都是中国人，也不是外包项目，用什么UTF-8啊，源代码统统都用GBK18030就OK了，免得ANT脚本编译时候提示不可认的字符编码。
因此，对于中文系统来说，最好选择GBK或GB18030编码（其实GBK是GB18030的子集），以便最大限度的避免乱码现象。
3、内存中字符串的编码
        内存中的字符串不仅仅局限于从class代码中直接加载而来的字符串，还有一些字符串是从文本文件中读取的，还有的是通过数据库读取的，还有可能是从字节数组构建的，然而他们基本上都不是Unicode编码的，原因很简单，存储优化。 
因此就需要处理各种各样的编码问题，在处理之前，必须明确“源”的编码，然后用指定的编码方式正确读取到内存中。如果是一个方法的参数，实际上必须明确该字符串参数的编码，因为这个参数可能是另外一个日文系统传递过来的。当明确了字符串编码时候，就可以按照要求正确处理字符串，以避免乱码。
在对字符串进行解码编码的时候，应该调用下面的方法：
getBytes(String charsetName) 
String(byte[] bytes, String charsetName)
而不要使用那些不带字符集名称的方法签名，通过上面两个方法，可以对内存中的字符进行重新编码。