老生常谈计算机中的编码问题(必看篇)

网络编程 2024/12/23 佚名

3 2 1

计算机中的编码问题

因为计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特（bit）作为一个字节（byte），所以，一个字节能表示的最大的整数就是255（二进制11111111=十进制255），如果要表示更大的整数，就必须用更多的字节。比如两个字节可以表示的最大整数是65535，4个字节可以表示的最大整数是4294967295。

一、目前常用的编码

ASCII编码：由于计算机是美国人发明的，因此，最早只有127个字母被编码到计算机里，也就是大小写英文字母、数字和一些符号，这个编码表被称为ASCII编码，比如大写字母A的编码是65，小写字母z的编码是122。

GB系列编码：但是要处理中文显然一个字节是不够的，至少需要两个字节，而且还不能和ASCII编码冲突，所以，中国制定了GB2312编码，用来把中文编进去。进而全世界有上百种语言，日本把日文编到Shift_JIS里，韩国把韩文编到Euc-kr里，各国有各国的标准，就会不可避免地出现冲突，结果就是，在多语言混合的文本中，显示出来会有乱码。GB系列编码是我国的国标编码，用来存储汉字，分为GB2312，GBK，GB18030，基本都能向前兼容，其中GBK是目前最通用的。

Unicode编码：Unicode把所有语言都统一到一套编码里，这样就不会再有乱码问题了。Unicode标准也在不断发展，但最常用的是用两个字节表示一个字符（如果要用到非常偏僻的字符，就需要4个字节）。现代操作系统和大多数编程语言都直接支持Unicode。不过他只规定了字符的编码，却没有规定字符以何种方式存储或者传输。所以UTF系列编码规定了Unicode编码的存储和传输方式。

UTF编码系列：目前最常用的UTF编码分为3种，UTF-8，UTF-16和UTF-32，我们知道计算机是以8位为一个字节来存储数据的，而UTF-16，UTF-32分别用2字节和4字节来表示一个字符，所以这里就涉及到字节的存储顺序，是低位在前还是高位在前，这样，BOM就产生了。

BOM是文本文件开头的一个特殊标记，用一组特殊数字来标记文本文件的字节序。虽然UTF-8字节顺序是固定的，但为了兼容UTF-16和UTF-32也规定了UTF-8的BOM，用于标记UTF-8编码。不过UTF-8的BOM在不同平台的规定不同，要小心使用。

BOM规定如下：

UTF-8 EF BB BF

UTF-16(LE) FF FE

UTF-16(BE) FE FF

UTF-32(LE) FF FE 00 00

UTF-32(BE) 00 00 FE FF

UTF-8编码：如果统一成Unicode编码，乱码问题从此消失了。但是，如果你写的文本基本上全部是英文的话，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上就十分不划算。所以，本着节约的精神，又出现了把Unicode编码转化为“可变长编码”的UTF-8编码。UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符，用UTF-8编码就能节省空间：

字符 ASCII Unicode UTF-8 A 01000001 00000000 01000001 01000001 中 X 01001110 00101101 11100100 10111000 10101101

二、计算机系统中的编码应用

在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码；用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件：

浏览网页的时候，服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器：

所以你看到很多网页的源码上会有类似<meta charset="UTF-8" />的信息，表示该网页正是用的UTF-8编码。

三、Java中的编码问题

直接写一个demo来看看eclipse中java项目的编码是怎么样的吧。

1、字符串转为字节序列

public class EncodeDemo {

 public static void main(String[] args) {
  // TODO Auto-generated method stub
  String s="云开de立夏";
  byte[] bytes1=s.getBytes();//这是把字符串转换成字符数组，转换成的字节序列用的是项目默认的编码
  for(byte b: bytes1)
  //toHexString这个函数是把字节（转换成了Int）以16进制的方式显示
  System.out.print(Integer.toHexString(b & 0xff)+" ");// & 0xff是为了把前面的24个0去掉只留下后八位
 }

}

运行结果：

分析：可以看到这个java项目的默认编码中，汉字用2个字节表示，英文用一个字节表示。

通过查看项目的默认编码为GBK。

如果不想用项目默认的编码格式，可以用下面这种方法指定字符串转化为想要的编码格式：

byte[] bytes2=s.getBytes("utf-8");//转换成utf-8编码
  for(byte b: bytes2)
   //toHexString这个函数是把字节（转换成了Int）以16进制的方式显示
   System.out.print(Integer.toHexString(b & 0xff)+" ");// & 0xff是为了把前面的24个0去掉只留下后八位
  System.out.println();
  byte[] bytes3=s.getBytes("utf-16be");//转换成java双字节编码，utf-16be编码
  for(byte b: bytes3)
   //toHexString这个函数是把字节（转换成了Int）以16进制的方式显示
   System.out.print(Integer.toHexString(b & 0xff)+" ");// & 0xff是为了把前面的24个0去掉只留下后八位

运行结果：

分析：两个结果对比可以得出，

gbk编码： 中文占用两个字节，英文占用一个字节。

utf-8编码：中文占用三个字节，英文占用一个字节。

utf-16be编码：中文占用两个字节，英文占用两个字节。

注意：java是双字节编码，是utf-16be编码。即java中的一个字符（char）占用两个字节！

2、字节序列转为字符串

当你的字节序列是某种编码时，这个时候想把字节序列变成字符串，也需要用这种编码方式，否则会出现乱码。

String str1=new String(bytes1);//这时会使用项目默认的编码来转换，可能出现乱码
  System.out.println(str1);
  String str2=new String(bytes2);
  System.out.println(str2);
  String str3=new String(bytes2,"utf-8");
  System.out.println(str3);

运行结果：