UTF-8编码

UTF-8

一、

1.Unicode

从AsciII表中获知 A = '65',即 在操作字符A时，计算机内部是对 （Unicode） 65进行操作

2.Java char <==> Unicode 标准字符集

int a = 'A';
System.out.println(a);
// 将字符赋值给int类型数据，未报错，可以理解为 'A' 字符A指代的就是65

输出结果：65

3.UTF-8 表示 1~4字节变长

为何中文使用UTF-8编码为3字节？

3.1  输出汉字的二进制编码

Integer b = '中';
System.out.println(Integer.toBinaryString(b));
Integer c = '国';
System.out.println(Integer.toBinaryString(c));

输出结果：
100111000101101
101011011111101

3.2  编码

String d = "中" ;
byte [] dArray = d.getBytes("UTF-8");
for(Integer index = 0 ; index < dArray.length; index ++){
System.out.println(Integer.toBinaryString(dArray[index] & 0xff));
}
System.out.println();
		
String e = "国" ;
byte [] eArray = e.getBytes("UTF-8");
for(Integer index = 0 ; index < eArray.length; index ++){
System.out.println(Integer.toBinaryString(eArray[index] & 0xff));
}

输出结果：

11100100
10111000
10101101

11100101
10011011
10111101

3.对比分析结果

1110_ _ _ _   10_ _ _ _ _ _   10_ _ _ _ _ _

中：100111000101101
(1110)0100   (10)111000      (10)101101

国：101011011111101
(1110)0101   (10)011011      (10)111101

即
通过3个字节来表示，
2~4*2~6*2~6=2~16

故汉字的Unicode的二进制为16位
101011011111101（长度16）

4.编码

// 结果：中
String h = new String(dArray,"UTF-8");
System.out.println(h);
// 结果：乱码
String g = "国" ;
byte [] gArray = g.getBytes("GBK");
for(Integer index = 0 ; index < gArray.length; index ++){
System.out.println(Integer.toBinaryString(gArray[index] & 0xff));
}
String i = new String(gArray,"UTF-8");
System.out.println(i);

结论：
用什么格式解码用什么格式编码

5.java web 乱码

tomcat的自带编码是ISO-8859-1的格式

String j = new String(str.getBytes("ISO-8859-1"),"UTF-8");
System.out.println(j);

二、编码特点

1.
一种变长的编码方式。
用1~6个字节表示一个符号，根据不同的符号而变化字节长度。
Unicode编码长度是固定的，无论是数字、英文还是火星文。所以Unicode编码有点浪费空间。UTF8是针对unicode的空间浪费现象，它对字符的长度是动态的。

2.
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。

示例：如上

博文参考：
Java中字符编码问题和中文占几个字节的问题（ASCII Unicode UTF-8 ）