字符编码

一、ASCII码

计算机内部，所有信息最终都是一个二进制值。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从00000000到11111111。

美国制定的标准ASCII码一共规定了128个字符的编码，一个字节表示一个字符。比如大写的字母A是65（二进制01000001），小写的字母a是97(二进制0110001)。这128个符号只占用了一个字节的后面7位，最前面的一位统一规定为0，这样一个字节也只能组合出128种状态。

二、扩展的ASCLII码

原本的ASCII码对于英文语言的国家是够用了，但是欧洲国家的一些语言会有拼音，这时7个字节就不够用了。因此一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。但这时问题也出现了：不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。比如，130在法语编码 中代表了é，在希伯来语编码中却代表了字母Gimel (ג)，在俄语编码中又会代表另一个符号。但是不管怎样，所有这些编码方式中，0—127表示的符号是一样的，不一样的只是128—255的这一段。这个问题就直接促使了Unicode编码的产生。

三、GB2312和GBK

前面两种编码方式明显不够用来表示博大精深的中国汉字，于是我们直接把127号之后的奇异符号们取消掉，并规定：小于127的字符的意义与原来相同，两个大于127的字符连在一起表示一个汉字，。这样我们就可以组合出大约7000多个简体汉字了。在这些编码里，我们还把数学符号、罗马希腊的字母等都编进去了，在 ASCII 里的数字、标点、字母都统统重新编了两个字节长的编码，gb2312中的所有字符都是用二个字节表示（是因为：它的字符都是全角方式）。

中国汉字仍有许多得不到表示，于是有了GB1312的升级版GBK。规定只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字符集里的内容。

这两种编码都是都是针对简体字的编码，GBK是GB2313的升级版，GBK单向兼容GB2312。

GB2312和GBK的区别

• 收入不同
  GB2312标准共收录6763个汉字，其中一级汉字3755个，二级汉字3008个；
  GBK共收入21886个汉字和图形符号。
• 表示不同
  GB2312标准共收录6763个汉字，其中一级汉字3755个，二级汉字3008个；
  GBK采用双字节表示，总体编码范围为8140-FEFE之间。
• 处理功能
  对于人名、古汉语等方面出现的罕用字，GB2312不能处理，这导致了后来GBK 及GB18030 汉字字符集的出现。

注意：虽然GB1312、GBK是双字节表示，但我们进行验证得到的结果有时却有点让人意外。
请看下面测试

package demo02;

import java.io.UnsupportedEncodingException;

public class test01 {
	public static void main(String[] args) throws UnsupportedEncodingException {
		// TODO Auto-generated method stub
		byte[] bb="HELLO".getBytes("GBK");
	    System.out.println("bb.length:"+bb.length);
	    System.out.println("****************");
	   
	}
}

结果

bb.length:5
****************

如果GBK的英文也是占两个字节，那结果应该是10而不是5。为什么呢？我们先来了解全角和半角
1）全角----指一个字符占用两个标准字符位置。

汉字字符和规定了全角的英文字符及国标GB2312-80中的图形符号和特殊字符都是全角字符。一般的系统命令是不用全角字符的，只是在作文字处理时才会使用全角字符。
2）半角----指一字符占用一个标准的字符位置。

通常的英文字母、数字键、符号键都是半角的，半角的显示内码都是一个字节。在系统内部，以上三种字符是作为基本代码处理的，所以用户输入命令和参数时一般都使用半角。

再举几个栗子
123　 -----------半角
１２３ ----------全角
abc --------------半角
ａｂｃ ----------全角

很明显的看出，全角所占的空间更大一些，由于实践经验和美学原因，半角字符必须显示为两倍全角字符的宽度才能美观和整洁。这种显示格式被定义为： 「半角 (Half Width)」和「全角 (Full Width)」，即全角字符的显示宽度2倍等于半角字符。当然汉字本身就是两字节，所以不存在这种差异。

很确定的说GBK不管中英文都是2字节，但是为什么我们试验的情况下为1字节？因为我们使用的是半角，当使用半角时候使用的使用的是ASCII 码，所以为1字节。GBK中不会对半角方式下的字符编码的（这是ASCII码的事情）
现在我们把字符串改为全角

package demo02;

import java.io.UnsupportedEncodingException;

public class test01 {

	public static void main(String[] args) throws UnsupportedEncodingException{
		// TODO Auto-generated method stub
		byte[] bb="HELLO".getBytes("GBK");          //半角
	    System.out.println("bb.length:"+bb.length);
	    System.out.println("****************");
	    
	    byte[] dd="ＨＥＬＬＯ".getBytes("gb2312");  //全角
	    System.out.println("dd.length:"+dd.length);
	    System.out.println("****************");
	   
	}
}

结果

bb.length:5
****************
dd.length:10
****************

结果符合预期！

四、Unicode码

世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。在前面的ASCII码的扩展中，虽然对各个国家的编码问题都有一定的解决，但都仅限于各自国家。

可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是 Unicode，就像它的名字都表示的，这是一种所有符号的编码。

五、Unicode的问题

需要注意的是，Unicode 只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。

比如，汉字严的 Unicode 是十六进制数4E25，转换成二进制数足足有15位（100111000100101），也就是说，这个符号的表示至少需要2个字节。表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。

这里就有两个严重的问题，第一个问题是，如何才能区别 Unicode 和 ASCII ？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果 Unicode 统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。

它们造成的结果是：

1. 出现了 Unicode 的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示 Unicode。
2. Unicode 在很长一段时间内无法推广，直到互联网的出现。

六、UTF-8

互联网的普及，强烈要求出现一种统一的编码方式。UTF-8 就是在互联网上使用最广的一种 Unicode 的实现方式。其他实现方式还包括 UTF-16（字符用两个字节或四个字节表示）和 UTF-32（字符用四个字节表示），不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8 是 Unicode 的实现方式之一。

UTF-8 最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。

UTF-8 的编码规则很简单，只有二条：

1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的 Unicode 码。因此对于英语字母，UTF-8 编码和 ASCII 码是相同的。

2）对于n字节的符号（n > 1），第一个字节的前n位都设为1，第n + 1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的 Unicode 码。

下表总结了编码规则，字母x表示可用编码的位。

Unicode符号范围	UTF-8编码方式
0000 0000-0000 007F	0xxxxxxx
0000 0080-0000 07FF	110xxxxx 10xxxxxx
0000 0800-0000 FFFF	1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

跟据上表，解读 UTF-8 编码非常简单。如果一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。

下面，还是以汉字严为例，演示如何实现 UTF-8 编码。

严的 Unicode 是4E25（100111000100101），根据上表，可以发现4E25处在第三行的范围内（0000 0800 - 0000 FFFF），因此严的 UTF-8 编码需要三个字节，即格式是1110xxxx 10xxxxxx 10xxxxxx。然后，从严的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，严的 UTF-8 编码是11100100 10111000 10100101，转换成十六进制就是E4B8A5。

参考文献：
http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html