Java及相关字符集编码问题研究

1. 概述

          本文主要包括以下几个方面：编码基本知识，java，系统软件，url，工具软件等. 在下面的描述中，将以"中文"两个字为例，经查表可以知道其GB2312编码是"d6d0 cec4"，Unicode编码为"4e2d 6587"，UTF 编码就是"e4b8ad e69687"。注意，这两个字没有iso8859-1编码，但可以用iso8859-1编码来"表示"。 

2. 编码基本知识

        最早的编码是iso8859-1，和ascii编码相似。但为了方便表示各种各样的语言，逐渐出现了很多标准编码，重要的有如下几  个。

  2.1. iso8859-1

        属于单字节编码，最多能表示的字符范围是0-255， 用于英文系列。比如，字母a的编码为0x61=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，  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。

  2.2. GB2312/GBK

        这就是汉子的国标码，专门用来表示汉字，是双字节编码，而英文字母和iso8859-1一致（兼容iso8859-1编码）。其中GBK编码能够用来同时表示繁体字和简体字，而GB2312只能表示简体字，GBK是兼容gb2312编码的。

   2.3. unicode 

         这是最统一的编码，可以用来表示所有语言的字符，而且是定长双字节 （也有四字节的）编码，包括英文字母在内。所以可以说它是不兼容iso8859-1编码的，也不兼容任何编码。不过，相对于iso8859-1编码来说，uniocode编码只是在前面增加了 一个0字节，比如字母a为"00 61"。 

         需要说明的是，定长编码便于计算机处理（注意GB2312/GBK不是定长编码），而unicode又可以用来表示所有字符，所以在很多软件内部是使用unicode编码来处理的，比如java。

   2.4. UTF

        考虑到unicode编码不兼容iso8859-1编码，而且容易占用更多的空间：因为对于英文字母，unicode也需要两个字节来表示。 所以 unicode不便于传输和存储。因此而产生了utf编码，utf编码兼容iso8859-1编码，同时也可以用来表示所有语言的字 符，不过，utf编码是不定长编码， 一个字符的长度从1-6个字节不等。另外，utf编码自带简单的校验功能。一般来讲，英文字母都是用一个字节表示，而汉字使用三个字节。

       注意， 虽然说utf是为了使用更少的空间而使用的， 但那只是相对于unicode编码来说， 如果已经知道是汉字，       则使用GB2312/GBK无疑是最节省 的。不过另一方面，值得说明的是，虽然utf编码对汉字使用3个字节，但即使对于汉字网页，utf 编码也会比unicode编码节省，因为网页中包含了很 多的英文字符。