Java 字符编码与解码
1、字符编码的发展历程
①、ASCII 码
因为计算机只认识数字,所以我们在计算机里面的一切数据都是以数字来表示,因为英文字符有限,所以规定使用的字节的最高位是 0,每一个字节都是以 0-127 之间的数字来表示。比如 A 对应 65,a 对应 97。这便是 美国标准信息交换码,ASCII
1
2
3
|
String str = new String( "Aa" ); byte [] strASCII = str.getBytes( "ASCII" ); System.out.println(Arrays.toString(strASCII)); //[65, 97] |
②、GB2312 码
随着计算机在全球的普及,很多国家和地区都把自己的字符引入了计算机,比如汉字。此时发现一个字节能表示的数字范围太小,不能包含所有的中文汉字。那么就规定使用两个字节来表示一个汉字。
规定:原有的 ASCII 字符的编码保持不变,仍然使用一个字节表示,为了区别一个中文字符与两个 ASCII 码字符相区别。中文字符的每个字节最高位规定为 1(即中文的二进制是负数),这便是 GB2312 编码
1
2
3
|
String str = new String( "Aa帅锅" ); byte [] strASCII = str.getBytes( "GB2312" ); System.out.println(Arrays.toString(strASCII)); //[65, 97, -53, -89, -71, -8] |
③、GBK
由于中国汉字太多,在 GB2312 的基础上增加了更多的中文字符,这种编码是 GBK
问题:如果只是在中国,那么大家都认识汉字,但是如果是别的国家,而该国家的码表中是没有收录汉字的。那么计算机在显示的时候就为乱码或是别的字符
解决办法:为了解决各个国家因为本地化字符编码带来的影响,就把全世界所有的字符统一进行编码---Unicode 编码
此时某一个字符在全世界任何地方显示都是固定的,比如汉字 哥,在任何地方都是以十六进制 54E5 来表示。
Unicode 的字符编码都占有两个字节
④、UTF-8
是一种针对 Unicode 的可变长度字符编码,又称为 万国码,是 Unicode 的实现方式之一。编码中的第一个字节仍与 ASCII 兼容,这使得原来处理 ASCII 字符的软件无须或只需做少部分修改,即可继续使用。因此,它逐渐成为电子邮件、网页及其他存储或传送文字的应用中,优先采用的编码。互联网工程工作小组(IETF)要求所有互联网协议都必须支持 UTF-8 编码
1
2
3
|
String str = new String( "Aa帅锅" ); byte [] strASCII = str.getBytes( "UTF-8" ); System.out.println(Arrays.toString(strASCII)); //[65, 97, -27, -72, -123, -23, -108, -123] |
存储字母、数字:无论什么字符集都占有 1 个字节
存储汉字:GBK 家族占有 2 个字节。UTF-8 占有 3 个字节
不能使用单字节的字符集(ASCII/ISO-8859-1)来存储中文
2、字符的编码和解码
信息在计算机网络中传输是以字节的形式。那么如何变为字节?这就是编码的过程。那么计算机接收了这个编码,如何让使用者认识呢?那必须要将字节转换为人所识别的字符串形式,这就是解码的过程。
编码:将字符串转换为 byte 数组
解码:把 byte 数组转换为 字符串
注意:①、编码格式和解码格式必须一致,否则乱码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
String str = new String( "Aa帅锅" ); //编码操作 byte [] strByte = str.getBytes( "GBK" ); System.out.println(Arrays.toString(strByte)); //[65, 97, -53, -89, -71, -8] //解码操作 //注意编码的字符集和解码的字符集格式必须一致(是其扩展字符集也可以),否则会乱码 //第一种:编码格式为 GBK,解码格式为 ISO-8859-1 那么就会乱码 String str2 = new String(strByte, "ISO-8859-1" ); System.out.println(str2); //Aa?§?? //第二种:编码和解码格式一致 String str3 = new String(strByte, "GBK" ); System.out.println(str3); //Aa帅锅 |
②、有时候编码为和解码格式一致了,但是还是乱码,这是因为在数据在传输过程中经过服务器的处理,而这个服务器可能是外国人编写的,那么就会将数据转换为 别的字符格式,那么你如果还是直接转为自己想要的格式是会乱码的。
解决办法:先获取经过服务器之后的数据还原编码,然后在进行解码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
String str = new String( "Aa帅锅" ); //编码操作 byte [] strByte = str.getBytes( "UTF-8" ); System.out.println(Arrays.toString(strByte)); //[65, 97, -27, -72, -123, -23, -108, -123] //中间经过了服务器的传输,编码格式转成了 ISO-8859-1 String str2 = new String(strByte, "ISO-8859-1" ); //解码操作 ,此时如果直接进行解码,那么会乱码 String str3 = new String(str2.getBytes(), "UTF-8" ); System.out.println(str3); //Aa??????? //对于上面的乱码,我们必须先还原服务器之前的编码格式,然后在进行解码。那么就不会乱码 byte [] strByte2 = str2.getBytes( "ISO-8859-1" ); String str4 = new String(strByte2, "UTF-8" ); System.out.println(str4); //Aa帅锅 |