************************背景结束。正文開始************************

事实上关于上面引用类型如：String，还有常见集合有非常多细化知识点，本篇写不完。

看下问题的简单回答：

简单汉字：utf-8 的汉字占3个字节  gbk 是两个字节。 

  先了解下主要的单位：
1、比特（bit）即一个二进制位。比如100011就是6比特。
2、字节（byte）。这是计算机中数据类型最主要的单位了，8bit组成1byte。 
为什么要编码？原因就是：
  1）一个字节一共能够用来表示256种不同的状态，每个状态相应一个符号，就是256个符号，从0000000到11111111。
 2）表示的符号太多，无法用一个字节来全然表示。要解决这个矛盾必须须要一个新的数据结构 char，从 char 到 byte 必须编码。

以下介绍下常见的编码规则，所谓的规则就是为转换成计算机所能理解的语言。
ASCII 码
学过计算机的人都知道 ASCII 码。总共同拥有 128 个，用一个字节的低 7 位表示，0~31 是控制字符如换行回车删除等。32~126 是打印字符。能够通过键盘输入并且能够显示出来。这128个符号（包括32个不能打印出来的控制符号），仅仅占用了一个字节的后面7位，最前面的1位统一规定为0。
ISO-8859-1
128 个字符显然是不够用的，于是 ISO 组织在 ASCII 码基础上又制定了一些列标准用来扩展 ASCII 编码，它们是 ISO-8859-1~ISO-8859-15。当中 ISO-8859-1 涵盖了大多数西欧语言字符，全部应用的最广泛。ISO-8859-1 仍然是单字节编码，它总共能表示 256 个字符。
GB2312
它的全称是《信息交换用汉字编码字符集 基本集》。它是双字节编码，总的编码范围是 A1-F7，当中从 A1-A9 是符号区，总共包括 682 个符号，从 B0-F7 是汉字区，包括 6763 个汉字。
GBK
全称叫《汉字内码扩展规范》。是国家技术监督局为 windows95 所制定的新的汉字内码规范，它的出现是为了扩展 GB2312，增加很多其它的汉字，它的编码范围是 8140~FEFE（去掉 XX7F）总共同拥有 23940 个码位，它能表示 21003 个汉字，它的编码是和 GB2312 兼容的，也就是说用 GB2312 编码的汉字能够用 GBK 来解码，并且不会有乱码。
UTF-16
说到 UTF 必须要提到 Unicode（Universal Code 统一码），ISO 试图想创建一个全新的超语言字典。世界上全部的语言都能够通过这本字典来相互翻译。
可想而知这个字典是多么的复杂，关于 Unicode 的具体规范能够參考相应文档。
Unicode 是 Java 和 XML 的基础，以下具体介绍 Unicode 在计算机中的存储形式。须要注意的是，Unicode仅仅是一个符号集，它仅仅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怎样存储。
比方，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须要2个字节。表示其它更大的符号，可能须要3个字节或者4个字节。甚至很多其它。
UTF-16 具体定义了 Unicode 字符在计算机中存取方法。UTF-16 用两个字节来表示 Unicode 转化格式。这个是定长的表示方法，任何字符都能够用两个字节表示，两个字节是 16 个 bit，所以叫 UTF-16。UTF-16 表示字符非常方便。每两个字节表示一个字符，这个在字符串操作时就大大简化了操作。这也是 Java 以 UTF-16 作为内存的字符存储格式的一个非常重要的原因。
UTF-8
UTF-16 统一採用两个字节表示一个字符，尽管在表示上非常easy方便，可是也有其缺点，有非常大一部分字符用一个字节就能够表示的如今要两个字节表示，存储空间放大了一倍，在如今的网络带宽还非常有限的今天。这样会增大网络传输的流量，并且也不是必需。而 UTF-8 採用了一种变长技术，每个编码区域有不同的字码长度。
不同类型的字符能够是由 1~6 个字节组成。
UTF-8 有以下编码规则：
假设一个字节，最高位（第 8 位）为 0，表示这是一个 ASCII 字符（00 - 7F）。
可见。全部 ASCII 编码已经是 UTF-8 了。
假设一个字节。以 11 开头，连续的 1 的个数暗示这个字符的字节数，比如：110xxxxx 代表它是双字节 UTF-8 字符的首字节。
反复一遍，这里的关系是，UTF-8是Unicode的实现方式之中的一个。
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
(十六进制) | （二进制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
在 Java 开发中除了 I/O 涉及到编码外。最经常使用的应该就是在内存中进行字符到字节的数据类型的转换。
上面介绍了常见的编码格式，以下结合样例看看java中编解码方式：
我们一汉字“严”为例进行測试。
public class LengthTest {

	public static void main(String[] args) throws Exception{
		String name = "严";
		byte[] utf8 = name.getBytes("UTF-8");
		System.out.println(utf8.length);	   
		System.out.print("UTF8:");toHex(utf8);
	    byte[] gbk = name.getBytes("GBK");
	    System.out.print("GBK:");toHex(gbk);
	    String unicodeStr =Integer.toHexString("严".charAt(0) );
	    System.out.println("unicode:"+unicodeStr); // 
	    //unicode转汉字
	    StringBuffer sb = new StringBuffer();  
	    String str[] = unicodeStr.toUpperCase().split("U");  
	    for(int i=0;i<str.length;i++){  
	      if(str[i].equals("")) continue;  
	      char c = (char)Integer.parseInt(str[i].trim(),16);  
	      sb.append(c);  
	    }  
	    System.out.println(sb.toString());	
	}
	public static void toHex(byte[] b) {
        for (int i = 0; i < b.length; i++) {
            System.out.printf("%x " , b[i]);
        }
        System.out.println();
    }
}
我们把 name 字符串依照前面说的几种编码格式进行编码转化成 byte 数组，然后以 16 进制输出，我们先看一下 Java 是怎样进行编码的。
首先依据指定的 charsetName 通过 Charset.forName(charsetName) 设置 Charset 类，然后依据 Charset 创建 CharsetEncoder 对象。再调用 CharsetEncoder.encode 对字符串进行编码，不同的编码类型都会相应到一个类中，实际的编码过程是在这些类中完毕的。以下是 String. getBytes(charsetName) 编码过程的时序图
以下是相应的StringCoding的代码：
static byte[] encode(String charsetName, char[] ca, int off, int len)
        throws UnsupportedEncodingException
    {
        StringEncoder se = deref(encoder);
        String csn = (charsetName == null) ? "ISO-8859-1" : charsetName;
        if ((se == null) || !(csn.equals(se.requestedCharsetName())
                              || csn.equals(se.charsetName()))) {
            se = null;
            try {
                Charset cs = lookupCharset(csn);
                if (cs != null)
                    se = new StringEncoder(cs, csn);
            } catch (IllegalCharsetNameException x) {}
            if (se == null)
                throw new UnsupportedEncodingException (csn);
            set(encoder, se);
        }
        return se.encode(ca, off, len);
    }
从上图能够看出依据 charsetName 找到 Charset 类，然后依据这个字符集编码生成 CharsetEncoder。这个类是全部字符编码的父类。针对不同的字符编码集在其子类中定义了怎样实现编码，有了 CharsetEncoder 对象后就能够调用 encode 方法去实现编码了。这个是 String.getBytes 编码方法。其它的如 StreamEncoder 中也是相似的方式。以下看看不同的字符集是怎样将前面的字符串编码成 byte 数组的？
依照GBK方式：
 
以下是大神 君山写的，我在jdk源代码找不到相应查表规则，仅仅有c2b接口。
GB2312 相应的 Charset 是 sun.nio.cs.ext. EUC_CN 而相应的 CharsetDecoder 编码类是 sun.nio.cs.ext. DoubleByte，GB2312 字符集有一个 char 到 byte 的码表，不同的字符编码就是查这个码表找到与每个字符的相应的字节，然后拼装成 byte 数组。查表的规则例如以下：
 c2b[c2bIndex[char >> 8] + (char & 0xff)]
GBK 编码是兼容 GB2312 编码的。它们的编码算法也是一样的。
不同的是它们的码表长度不一样。GBK 包括的汉字字符很多其它。
所以仅仅要是经过 GB2312 编码的汉字都能够用 GBK 进行解码，反过来则不然。
依照utf-8格式编码：
 为加深理解：对照上面utf-8编码表。已知"严"的unicode是4E25，相应二进制（100111000100101），依据上表，能够发现4E25处在第三行的范围内（0000 0800-0000 FFFF），因此"严"的UTF-8编码须要三个字节，即格式是"1110xxxx 10xxxxxx 10xxxxxx"。
然后。从"严"的最后一个二进制位開始。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。
 以下结合代码执行结果，能够更好的理解
  至此。能够理解题目的答案了。

事实上Windows平台还有一个简单的办法，就是记事本能够辅助实现不同编码转换。

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。
里面有四个选项：ANSI。Unicode，Unicode big endian 和 UTF-8。
1）ANSI是默认的编码方式。对于英文文件是ASCII编码。对于中文简体文件是GB2312编码（仅仅针对Windows中文简体版，假设是繁体中文版会採用Big5码）。
2）Unicode编码指的是UCS-2编码方式，即直接用两个字节存入字符的Unicode码。
这个选项用的little endian格式。
3）Unicode big endian编码与上一个选项相相应。我在下一节会解释little endian和big endian的涵义。
4）UTF-8编码，也就是上一节谈到的编码方法。
选择完"编码方式"后，点击"保存"button，文件的编码方式就立马转换好了。
7. Little endian和Big endian
上一节已经提到，Unicode码能够採用UCS-2格式直接存储。
以汉字"严"为例，Unicode码是4E25。须要用两个字节存储，一个字节是4E。还有一个字节是25。
存储的时候。4E在前，25在后，就是Big endian方式；25在前，4E在后，就是Little endian方式。
这两个古怪的名称来自英国作家斯威夫特的《格列佛游记》。在该书中，小人国里爆发了内战。战争起因是人们争论。吃鸡蛋时究竟是从大头(Big-Endian)敲开还是从小头(Little-Endian)敲开。为了这件事情。前后爆发了六次战争，一个皇帝送了命。还有一个皇帝丢了王位。
因此，第一个字节在前，就是"大头方式"（Big endian）。第二个字节在前就是"小头方式"（Little endian）。
那么非常自然的，就会出现一个问题：计算机怎么知道某一个文件究竟採用哪一种方式编码？
Unicode规范中定义，每个文件的最前面分别增加一个表示编码顺序的字符，这个字符的名字叫做"零宽度非换行空格"（ZERO WIDTH NO-BREAK SPACE）。用FEFF表示。这正好是两个字节。并且FF比FE大1。
假设一个文本文件的头两个字节是FE FF，就表示该文件採用大头方式；假设头两个字节是FF FE，就表示该文件採用小头方式。

*****************************

几种编码格式的比較
对中文字符后面四种编码格式都能处理，GB2312 与 GBK 编码规则相似，可是 GBK 范围更大，它能处理全部汉字字符。所以 GB2312 与 GBK 比較应该选择 GBK。UTF-16 与 UTF-8 都是处理 Unicode 编码。它们的编码规则不太同样，相对来说 UTF-16 编码效率最高，字符到字节相互转换更简单，进行字符串操作也更好。它适合在本地磁盘和内存之间使用，能够进行字符和字节之间高速切换，如 Java 的内存编码就是採用 UTF-16 编码。可是它不适合在网络之间传输，由于网络传输easy损坏字节流，一旦字节流损坏将非常难恢复，想比較而言 UTF-8 更适合网络传输，对 ASCII 字符採用单字节存储，另外单个字符损坏也不会影响后面其它字符，在编码效率上介于 GBK 和 UTF-16 之间，所以 UTF-8 在编码效率上和编码安全性上做了平衡，是理想的中文编码方式。
有些扯远了。理解了这些，也就不easy出现乱码问题。
另外知乎上大神给出了“内码”“外码”的概念，更加easy理解.
https://www.zhihu.com/question/27562173/answer/37188642

參考：

http://www.cnblogs.com/bluestorm/archive/2012/07/30/2615034.html

http://www.ibm.com/developerworks/cn/java/j-lo-chinesecoding/