首页 > 代码库 > java中的常用字符编码ASCII、Unicode和UTF-8

java中的常用字符编码ASCII、Unicode和UTF-8

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 (?),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,apache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"));

参考:

编码表:http://www.chenjiliang.com/Article/View.aspx?ArticleID=248&TypeID=20

java编码类型获取: http://java.chinaitlab.com/base/742939.html

 

文章转载自:http://kxjhlele.iteye.com/blog/333211

 

java中的常用字符编码ASCII、Unicode和UTF-8