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:
- 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。
- 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