Java中的ASCII、Unicode和UTF-8字符编码集

http://page.renren.com/600882494/note/776248067?ref=hotnewsfeed&sfet=2012&fin=0&ff_id=600882494&feed=page_blog&tagid=776248067&statID=page_600882494_2&level=1

 

 

有Javaer在留言板提议让我专门发一篇关于ASCII和Unicode的日志，特此搜集整理一篇文章发出来，希望大家能够满意。

　　首先讲一下几种字符的编码方式:

1. ASCII码

　　我们知道，在计算机内部，所有的信息最终都表示为一个二进制的字符串。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0000000到11111111。

　　上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为ASCII码，一直沿用至今。

　　ASCII码一共规定了128个字符的编码，比如空格“SPACE”是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。

2、非ASCII编码

　　英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用ASCII码表示。于是，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。

　　但是，这里又出现了新的问题。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。

　　至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示256x256=65536个符号。

　　中文编码的问题需要专文讨论，这篇笔记不涉及。这里只指出，虽然都是用多个字节表示一个符号，但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。

3.Unicode

　　正如上一节所说，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。

　　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。

　　Unicode当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样，比如，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字“严”。具体的符号对应表，可以查询unicode.org，或者专门的汉字对应表。

4. 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。

5.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和UTF-32，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
UTF字节数                  (十六进制) | （二进制）
--------------------+---------------------------------------------

一个字节 0000 0000-0000 007F | 0xxxxxxx
两个字节 0000 0080-0000 07FF | 110xxxxx 10xxxxxx
三个字节 0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
四个字节 0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

　　下面， 还是以汉字“严”为例，演示如何实现UTF-8编码。

　　已知“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。

6. Unicode与UTF-8之间的转换

　　通过上一节的例子，可以看到“严”的Unicode码是4E25，UTF-8编码是E4B8A5，两者是不一样的。它们之间的转换可以通过程序实现。

　　在Windows平台下，有一个最简单的转化方法，就是使用内置的记事本小程序Notepad.exe。打开文件后，点击“文件”菜单中的“另存为”命令，会跳出一个对话框，在最底部有一个“编码”的下拉条。

 

7. iso8859-1编码

　　属于单字节编码，最多能表示的字符范围是0-255，应用于英文系列。比如，字母a的编码为0×61=97.很明显，iso8859-1编码表示的字符范围很窄，无法表示中文字符。但是，由于是单字节编码，和计算机最基础的表示单位一致，所以很多时候，仍旧使用iso8859-1编码来表示。而且在很多协议上，默认使用该编码。比如，虽然"中文"两个字不存在iso8859-1编码，以gb2312编码为例，应该是"d6d0 cec4"两个字符，使用iso8859-1编码的时候则将它拆开为4个字节来表示："d6 d0 ce c4"（事实上，在进行存储的时候，也是以字节为单位处理的）。而如果是UTF编码，则是6个字节"e4 b8 ad e6 96 87".很明显，这种表示方法还需要以另一种编码为基础。

Java对字符的处理

　　在java应用软件中，会有多处涉及到字符集编码，有些地方需要进行正确的设置，有些地方需要进行一定程度的处理。

1. getBytes（charset）

　　这是java字符串处理的一个标准函数，其作用是将字符串所表示的字符按照charset编码，并以字节方式表示。注意字符串在java内存中总是按unicode编码存储的。比如"中文"，正常情况下（即没有错误的时候）存储为"4e2d 6587"，如果charset为"gbk"，则被编码为"d6d0 cec4"，然后返回字节"d6 d0 ce c4".如果charset为"utf8"则最后是"e4 b8 ad e6 96 87".如果是"iso8859-1"，则由于无法编码，最后返回 "3f 3f"（两个问号）。

java   .class类的编码为：unicode;

windows 默认的编码为：中文：gb2312; 英文：iso8859;

String str = "张三" ;

byte[] jiema= str.getBytes("gb2312") ; //解码

String   bianma = new String(jiema,"UTF-8");//编码 如果上面的解码不对 可能出现问题

2. new String（charset）

　　这是java字符串处理的另一个标准函数，和上一个函数的作用相反，将字节数组按照charset编码进行组合识别，最后转换为unicode存储。参考上述getBytes的例子，"gbk" 和"utf8"都可以得出正确的结果"4e2d 6587"，但iso8859-1最后变成了"003f 003f"（两个问号）。

　　因为utf8可以用来表示/编码所有字符，所以new String（ str.getBytes（ "utf8" ）， "utf8" ） === str，即完全可逆。

3. setCharacterEncoding（）

　　该函数用来设置http请求或者相应的编码。

　　对于request，是指提交内容的编码，指定后可以通过getParameter（）则直接获得正确的字符串，如果不指定，则默认使用iso8859-1编码，需要进一步处理。参见下述"表单输入".值得注意的是在执行setCharacterEncoding（）之前，不能执行任何getParameter（）。java doc上说明：This method must be called prior to reading request parameters or reading input using getReader（）。而且，该指定只对POST方法有效，对GET方法无效。分析原因，应该是在执行第一个getParameter（）的时候，java将会按照编码分析所有的提交内容，而后续的getParameter（）不再进行分析，所以setCharacterEncoding（）无效。而对于GET方法提交表单是，提交的内容在URL中，一开始就已经按照编码分析所有的提交内容，setCharacterEncoding（）自然就无效。

　　对于response，则是指定输出内容的编码，同时，该设置会传递给浏览器，告诉浏览器输出内容所采用的编码。

4. 处理过程

　　下面分析两个有代表性的例子，说明java对编码有关问题的处理方法。

　　4.1. 表单输入

    User input *（gbk：d6d0 cec4） browser *（gbk：d6d0 cec4） web server iso8859-1（00d6 00d 000ce 00c4） class，需要在class中进行处理：getbytes（"iso8859-1"）为d6 d0 ce c4，new String（"gbk"）为d6d0 cec4，内存中以unicode编码则为4e2d 6587.

    l 用户输入的编码方式和页面指定的编码有关，也和用户的操作系统有关，所以是不确定的，上例以gbk为例。

    l 从browser到web server，可以在表单中指定提交内容时使用的字符集，否则会使用页面指定的编码。而如果在url中直接用？的方式输入参数，则其编码往往是操作系统本身的编码，因为这时和页面无关。上述仍旧以gbk编码为例。

    l Web server接收到的是字节流，默认时（getParameter）会以iso8859-1编码处理之，结果是不正确的，所以需要进行处理。但如果预先设置了编码（通过request. setCharacterEncoding （）），则能够直接获取到正确的结果。

    l 在页面中指定编码是个好习惯，否则可能失去控制，无法指定正确的编码。

　　4.2. 文件编译

　　假设文件是gbk编码保存的，而编译有两种编码选择：gbk或者iso8859-1，前者是中文windows的默认编码，后者是linux的默认编码，当然也可以在编译时指定编码。

    Jsp *（gbk：d6d0 cec4） java file *（gbk：d6d0 cec4） compiler read uincode（gbk： 4e2d 6587； iso8859-1： 00d6 00d 000ce 00c4） compiler write utf（gbk： e4b8ad e69687； iso8859-1： *） compiled file unicode（gbk： 4e2d 6587； iso8859-1： 00d6 00d 000ce 00c4） class.所以用gbk编码保存，而用iso8859-1编译的结果是不正确的。

    class unicode（4e2d 6587） system.out / jsp.out gbk（d6d0 cec4） os console / browser.

    l 文件可以以多种编码方式保存，中文windows下，默认为ansi/gbk.

    l 编译器读取文件时，需要得到文件的编码，如果未指定，则使用系统默认编码。一般class文件，是以系统默认编码保存的，所以编译不会出问题，但对于jsp文件，如果在中文windows下编辑保存，而部署在英文linux下运行/编译，则会出现问题。所以需要在jsp文件中用pageEncoding指定编码。

    l Java编译的时候会转换成统一的unicode编码处理，最后保存的时候再转换为utf编码。

    l 当系统输出字符的时候，会按指定编码输出，对于中文windows下，System.out将使用gbk编码，而对于response（浏览器），则使用jsp文件头指定的contentType，或者可以直接为response指定编码。同时，会告诉browser网页的编码。如果未指定，则会使用iso8859-1编码。对于中文，应该为browser指定输出字符串的编码。

    l browser显示网页的时候，首先使用response中指定的编码（jsp文件头指定的contentType最终也反映在response上），如果未指定，则会使用网页中meta项指定中的contentType.

5. 几处设置

　　对于web应用程序，和编码有关的设置或者函数如下。

　　5.1. jsp编译

　　指定文件的存储编码，很明显，该设置应该置于文件的开头。例如：。另外，对于一般class文件，可以在编译的时候指定编码。

　　5.2. jsp输出

　　指定文件输出到browser是使用的编码，该设置也应该置于文件的开头。例如：。该设置和response.setCharacterEncoding（"GBK"）等效。

　　5.3. meta设置

　　指定网页使用的编码，该设置对静态网页尤其有作用。因为静态网页无法采用jsp的设置，而且也无法执行response.setCharacterEncoding（）。例如：

　　如果同时采用了jsp输出和meta设置两种编码指定方式，则jsp指定的优先。因为jsp指定的直接体现在response中。

　　需要注意的是，有一个设置可以给无编码指定的网页指定编码，该指定等同于jsp的编码指定方式，所以会覆盖静态网页中的meta指定。所以有人建议关闭该设置。

　　5.4. form设置

　　当浏览器提交表单的时候，可以指定相应的编码。例如：。一般不必不使用该设置，浏览器会直接使用网页的编码。

>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>

　　首先介绍两种字符集 gb2312 和 gbk 
　　gb2312 简体中文编码
　　gbk    中文字符编码 包括繁体中文

　　1. 指定jsp文件里内容的的编码方式

   <%@ page language="java" import="java.util.*" pageEncoding="gb2312"%>

　　2. 指定html文件里内容的编码方式
   <meta http-equiv="Content-Type" content="text/html; charset=gb2312" />
　　3. 当响应用户的请求时，输出到用户浏览器上的编码方式

   <%@ page contentType="text/html"; charset="gb2312"%>
   相当于生成的代码 response.setContentType("text/html; charset=gb2312");

　　4. 把用户传递过来的参数作为指定的编码
  request.setCharacterEncoding("gb2312");

　　5. 对比
   request.setCharacterEncoding("gb2312");               //设置输入编码格式
   response.setContentType("text/html; charset=gb2312"); //设置输出编码格式

>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>

　　一个关于中文字符转换的程序：

package com.company.util.charset;

import sun.io.CharToByteConverter;
import sun.io.ByteToCharConverter;
import com.company.util.common.Configure;

/**
* 创建日期：(2008-7-6 13:51:16) 解决sybase数据库查询不能显示中文的问题
* 
* @author：like_dark
*/
public class UnicodeToAscii
{

/**
* UnicodeToAscii 构造子注解。
*/
public UnicodeToAscii ()
{
   super ();
}

/**
* 将Ascii转换成中文字符串
*/
public static String AsciiToChineseString ( String s )
{
   if ( s == null )
    return s;
   char[] orig = s.toCharArray ();
   byte[] dest = new byte[ orig.length ];
   for ( int i = 0; i < orig.length; i++ )
    dest[ i ] = ( byte ) ( orig[ i ] & 0xFF );
   try
   {
    ByteToCharConverter toChar = ByteToCharConverter.getConverter ( "gb2312" );
    return new String ( toChar.convertAll ( dest ) );
   }
   catch ( Exception e )
   {
    System.out.println ( e );
    return s;
   }
}

/**
* 将中文字符串转换成Ascii 
*/
public static String ChineseStringToAscii ( String s )
{
   if ( s == null )
    return s;
   try
   {
    CharToByteConverter toByte = CharToByteConverter.getConverter ( "gb2312" );
    byte[] orig = toByte.convertAll ( s.toCharArray () );
    char[] dest = new char[ orig.length ];
    for ( int i = 0; i < orig.length; i++ )
     dest[ i ] = ( char ) ( orig[ i ] & 0xFF );
    return new String ( dest );
   }
   catch ( Exception e )
   {
    System.out.println ( e );
    return s;
   }
}

/**
* 中文转ascii 
* 
* @param s
*            要进行转换的字符串
* @param bl
*            是否进行转换,一个开关控制 , true代表需要转换。
* @return 转换后的字符串
*/

public static String ChineseStringToAscii ( String s, boolean bl )
{
   if ( !bl )
    return s;
   else
    return ChineseStringToAscii ( s );
}

/**
* ascii转字符串
* 
* @param s
* @param bl
* @return
*/
public static String AsciiToChineseString ( String s, boolean bl )
{
   if ( !bl )
    return s;
   else
    return AsciiToChineseString ( s );
}

/**
* 根据输入的源串(中文或中西文混合)返回其拼音首字母,以小写返回,如果首字符非拼音字母,则统一返回*号
* 
* @param str
*            源串(中文或中西文混合)
* @return 返回str的拼音首字母,以小写返回,如果首字符非拼音字母,则统一返回*号
*/
public static String getFirstCharOfString ( String str )
{
   String firstChar = "*";

   if ( str == null || str.length () <= 0 )
    return firstChar;

   try
   {
    byte firstCharBytes[] = new byte[ 2 ];
    int gbcode;

    firstCharBytes[ 0 ] = str.getBytes ( "gb2312" )[ 0 ];
    gbcode = firstCharBytes[ 0 ] & 0x000000ff;
    if ( str.length () > 1 || gbcode >= 0xb0 )
    {
     firstCharBytes[ 1 ] = str.getBytes ( "gb2312" )[ 1 ];
     gbcode = ( firstCharBytes[ 0 ] & 0x000000ff ) * 0x100 + ( firstCharBytes[ 1 ] & 0x000000ff );
    }

    if ( gbcode >= 0xb0a1 && gbcode <= 0xb0c4 )
     firstChar = "a";
    else if ( gbcode >= 0xb0c5 && gbcode <= 0xb2c0 )
     firstChar = "b";
    else if ( gbcode >= 0xb2c1 && gbcode <= 0xb4ed )
     firstChar = "c";
    else if ( gbcode >= 0xb4ee && gbcode <= 0xb6e9 )
     firstChar = "d";
    else if ( gbcode >= 0xb6ea && gbcode <= 0xb7a1 )
     firstChar = "e";
    else if ( gbcode >= 0xb7a2 && gbcode <= 0xb8c0 )
     firstChar = "f";
    else if ( gbcode >= 0xb8c1 && gbcode <= 0xb9fd )
     firstChar = "g";
    else if ( gbcode >= 0xb9fe && gbcode <= 0xbbf6 )
     firstChar = "h";
    else if ( gbcode >= 0xbbf7 && gbcode <= 0xbfa5 )
     firstChar = "j";
    else if ( gbcode >= 0xbfa6 && gbcode <= 0xc0ab )
     firstChar = "k";
    else if ( gbcode >= 0xc0ac && gbcode <= 0xc2e7 )
     firstChar = "l";
    else if ( gbcode >= 0xc2e8 && gbcode <= 0xc4c2 )
     firstChar = "m";
    else if ( gbcode >= 0xc4c3 && gbcode <= 0xc5b5 )
     firstChar = "n";
    else if ( gbcode >= 0xc5b6 && gbcode <= 0xc5bd )
     firstChar = "o";
    else if ( gbcode >= 0xc5be && gbcode <= 0xc6d9 )
     firstChar = "p";
    else if ( gbcode >= 0xc6da && gbcode <= 0xc8ba )
     firstChar = "q";
    else if ( gbcode >= 0xc8bb && gbcode <= 0xc8f5 )
     firstChar = "r";
    else if ( gbcode >= 0xc8f6 && gbcode <= 0xcbf9 )
     firstChar = "s";
    else if ( gbcode >= 0xcbfa && gbcode <= 0xcdd9 )
     firstChar = "t";
    else if ( gbcode >= 0xcdda && gbcode <= 0xcef3 )
     firstChar = "w";
    else if ( gbcode >= 0xcef4 && gbcode <= 0xd1b8 )
     firstChar = "x";
    else if ( gbcode >= 0xd1b9 && gbcode <= 0xd4d0 )
     firstChar = "y";
    else if ( gbcode >= 0xd4d1 && gbcode <= 0xd7f9 )
     firstChar = "z";
    else
     gbcode = firstCharBytes[ 0 ];

    if ( gbcode >= 'A' && gbcode <= 'Z' )
     gbcode += 32;
    if ( gbcode >= 'a' && gbcode <= 'z' )
     firstChar = String.valueOf ( ( char ) gbcode );
   }
   catch ( Exception e )
   {
    System.out.println ( "getFirstCharOfString Exception: " + e.getMessage () );
   }

   return firstChar;
}
}

>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>

看看那句能打印出中文。说明解码编码正确
            String str = values[i];     
            System.out.println("1:" + new String(str.getBytes("GBK"),"ISO8859_1"));
            System.out.println("2:" +new String(str.getBytes("GBK"),"utf-8"));
            System.out.println("3:" +new String(str.getBytes("GBK"),"GB2312"));
            System.out.println("4:" +new String(str.getBytes("GBK"),"GBK"));
            System.out.println("5:" +new String(str.getBytes("ISO8859_1"),"GBK"));
            System.out.println("6:" +new String(str.getBytes("ISO8859_1"),"ISO8859_1"));
            System.out.println("7:" +new String(str.getBytes("ISO8859_1"),"GB2312"));
            System.out.println("8:" +new String(str.getBytes("ISO8859_1"),"utf-8"));
            System.out.println("9:" +new String(str.getBytes("utf-8"),"GBK"));
            System.out.println("10:" +new String(str.getBytes("utf-8"),"utf-8"));
            System.out.println("11:" +new String(str.getBytes("utf-8"),"GB2312"));
            System.out.println("12:" +new String(str.getBytes("utf-8"),"ISO8859_1"));
            System.out.println("13:" +new String(str.getBytes("GB2312"),"GB2312"));
            System.out.println("14:" +new String(str.getBytes("GB2312"),"ISO8859_1"));
            System.out.println("15:" +new String(str.getBytes("GB2312"),"utf-8"));
            System.out.println("16:" +new String(str.getBytes("GB2312"),"GBK"));

评论

1 楼 liu8563525 2012-01-12  

支持一下，说到很好