字符编码

字符编码是每一个程序员都会遇到的问题。之前看了很多篇这方面的文章，总感觉讲的不是很明白，当时好像看懂了，但过会又讲不出个所以然。经过一番思考后，发现字符编码很容易理解，所以还是要多思考总结，学而不思则罔。那么回到问题上来，什么是字符编码？

要弄清字符编码，首先需要知道什么是字符集。从名字来知道字符集就是所有字符构成的集合。例如世界上所有使用的符号构成了一个字符集，这个字符集叫Unicode。你可以在Unicode官方网站上查看所有的字符。值得一提的是emoji表情也被纳入了Unicode的范围。Unicode为所有的字符都分配了一个编号（术语是code points）。这个编号使用"U+<十六进制>"形式表示。你也可以使用和"&#<十进制>;"形式在HTML页面里插入某个Unicode字符。例如简体汉字“国”在Unicode的编号是”U+56FD"，而繁体汉字“國”在Unicode的编号是"U+570B"。

Java本身就支持Unicode，Java 8支持的Unicode版本为6.2.0。在Java中使用两个字节来表示一个字符，因此从理论上来说可以覆盖U+0000到U+FFFF的字符。但是从JDK的Character API来看，好像支持从U+0000到U+10FFFF的字符，有兴趣去这里深入了解。Java代码中可以使用'\u<十六进制>'的形式引入一个Unicode的字符。例如：

char c1 = '\u56FD';
char c2 = '国';

这两种表示形式是一致的。另外可以使用下面的代码来检验Java是如何来表示一个Unicode字符的：

System.out.println((int)'国');  //输出为22269

也就是说Java内部其实就是使用Unicode的编号（code points）来表示一个Unicode字符的。

了解了字符集的概念后，那字符编码是什么？字符编码是采用一种编码规则对某个字符集的某个字符的编号（code points）进行编码。字符编码一定是关联着某个字符集的，脱离的字符集来谈编码是没有意义的。以Unicode字符集为例，有三种对应的字符编码，分别是UTF-8, UTF-16和UTF-32。平时我们接触的最多的是UTF-8编码，UTF-8的编码规则如下：

UTF-8是一种变长字节编码方式。对于某一个字符的UTF-8编码，如果只有一个字节则其最高二进制位为0；
如果是多字节，其第一个字节从最高位开始，连续的二进制位值为1的个数决定了其编码的位数，其余各字节
均以10开头。UTF-8最多可用到6个字节。 

下图展示了不同字节下的编码，x表示字符的内容，即所谓的payload。
1字节 0xxxxxxx 
2字节 110xxxxx 10xxxxxx 
3字节 1110xxxx 10xxxxxx 10xxxxxx 
4字节 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 
5字节 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 
6字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 

再来回顾下字符编码的定义：字符编码是采用一种编码规则对某个字符集的某个字符的编号（code points）进行编码。即用编码规则将字符的编号作为payload进行填充。还是以汉字“国”来举例：“国”在Unicode的字符编号的十进制数字是22269，转化为二进制是：1010110 11111101，总共有15比特，因此在UTF-8编码中需要使用3个字节来表示（1字节只有7比特的payload，2字节有11比特的payload）。我们将“国”按照3字节的编码要求进行编码(从低位到高位填充)就得到了“国”的UTF-8编码（不足为以0补齐即可）：11100101 10011011 10111101，其中加粗的就是“国”的编号的二进制表示，未加粗的是UTF-8编码的标识位。我们用下面的代码来验证编码的正确性：

byte[] bArr = "国".getBytes("utf-8");
for(byte b : bArr){
    System.out.print(Integer.toBinaryString(b & 0xFF));
    System.out.print(" ");
}
//输出结果和我们预期的一致，11100101 10011011 10111101

代码中的(b & 0xFF)是取b的最低字节，因为b在使用Integer.toBinaryString方法时会被强制转为整型，当b为负数的时候，根据补码的规则，高位全部会补上1，而我们仅仅关心最低字节，因此做了与操作。

到此为止，相信你应该明白字符编码是什么东西了吧。