常用编码总结

阅读更多

1.编码区别：
iso8859-1: 通常叫做Latin-1,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0x61=97。

UTF-8:utf编码兼容iso8859-1编码，不是固定字长编码的，而是一种变长的编码方式，每一个字符的长度从1-6个字节不等:
数字和字符一般占1个字节,
utf8字符集中一个中文字符占几个字节:
占2个字节的：〇
占3个字节的：基本等同于GBK，含21000多个汉字
占4个字节的：中日韩超大字符集里面的汉字，有5万多个

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"。
Unicode只是一个编码规范，目前实际实现的unicode编码只要有三种：UTF-8,UCS-2和UTF-16，三种unicode字符集之间可以按照规范进行转换。
    最初的unicode编码是固定长度的，16位，也就是2两个字节代表一个字符，这样一共可以表示65536个字符。显然，这样要表示各种语言中所有的字符是远远不够的。Unicode4.0规范考虑到了这种情况，定义了一组附加字符编码，附加字符编码采用2个16位来表示，这样最多可以定义1048576个附加字符，目前unicode4.0只定义了45960个附加字符。
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。

GBK/GB2312: GBK兼容gb2312编码;二者兼容iso8859-1编码;编码表示汉字，是双字节编码，而英文字母数字和iso8859-1一致占单字节;
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。

2java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。

2.1 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）。

2.2 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。

2.3 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，POST方法在执行第一个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。

       注意：iso-8859-1是JAVA网络传输使用的标准字符集,而gb2312是标准中文字符集,当你作出提交表单等需要网络传输的操作的时候,就需要把 iso-8859-1转换为gb2312字符集显示,否则如果按浏览器的gb2312格式来解释iso-8859-1字符集的话,由于2者不兼容,所以会 是乱码.
  
  
规律：
utf-8编码可以用gbk和iso8859-1解码后编回去

gbk编码后只能用iso8859-1解码后编回去

String code = "中国";
// 编码
byte[] utf = code.getBytes("utf-8");
byte[] gbk = code.getBytes("gbk");
System.out.println("utf-8编码：" + Arrays.toString(utf));//[-28, -72, -83, -27, -101, -67]  6个字节
System.out.println("gbk编码：" + Arrays.toString(gbk));//[-42, -48, -71, -6] 4个字节
// 解码
String code1 = new String(utf, "utf-8"); // 中国
String code2 = new String(utf, "gbk"); // gbk解码：涓浗  gbk用2个字节解码，所以会多一个字符
String code3 = new String(gbk, "utf-8"); // gbk用utf-8解码：?й? utf-8解码需要6个字节
System.out.println("--------------------");
System.out.println("utf-8解码：" + code1);
System.out.println("gbk解码：" + code2);
System.out.println("gbk用utf-8解码：" + code3);
System.out.println("---------------------");
System.out.println("用utf-8编码回去");
code3 = new String(code3.getBytes("utf-8"), "gbk"); // 锟叫癸拷   gbk用utf-8解码后无法编回去
System.out.println(code3);

在JSP页面获取表单的值时会出现乱码，有两种解决方法：
1.在调用getParameter之前通过request.setCharacterEncoding设置字符编码

2.调用new String(str.getBytes("iso8859-1"), "UTF-8");编码后解码


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。