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。

你可能感兴趣的:(字符编码)