#1.為什么要有字符集，字符集是什么？

在介紹字符集之前，我們先了解下為什么要有字符集？

我們在計算機屏幕上看到的是實體化的文字，而在計算機存儲介質中存放的實際是二進制的比特流。那么在這兩者之間的轉換規則就需要一個統一的標準，否則把我們的U盤插到老板的電腦上，文檔就亂碼了；小伙伴QQ上傳過來的文件，在我們本地打開又亂碼了。于是為了實現轉換標準，各種字符集標準就出現了。

什么是字符集？

簡單的說字符集就規定了某個文字對應的二進制數字存放方式（編碼）和某串二進制數值代表了哪個文字（解碼）的轉換關系。

那么為什么會有那么多字符集標準呢？

這個問題實際非常容易回答。問問自己為什么我們的插頭拿到英國就不能用了呢？為什么顯示器同時有DVI，VGA，HDMI，DP這么多接口呢？很多規范和標準在最初制定時并不會意識到這將會是以后全球普適的準則，或者處于組織本身利益就想從本質上區別于現有標準。于是，就產生了那么多具有相同效果但又不相互兼容的標準了。

#2.什么是字符編碼？

字符集只是一個規則集合的名字，對應到真實生活中，字符集就是對某種語言的稱呼。

例如：英語，漢語，日語。對于一個字符集來說要正確編碼轉碼一個字符需要三個關鍵元素：字庫表（character repertoire）、編碼字符集（coded character set）、字符編碼（character encoding form）。其中字庫表是一個相當于所有可讀或者可顯示字符的數據庫，字庫表決定了整個字符集能夠展現表示的所有字符的范圍。編碼字符集，即用一個編碼值code point來表示一個字符在字庫中的位置。字符編碼，將編碼字符集和實際存儲數值之間的轉換關系。一般來說都會直接將code point的值作為編碼后的值直接存儲。例如在ASCII中A在表中排第65位，而編碼后A的數值是0100 0001也即十進制的65的二進制轉換結果。

#3.ASCII

ASCII碼是7位編碼，編碼范圍是0x00-0x7F。ASCII字符集包括英文字母、阿拉伯數字和標點符號等字符。其中0x00-0x20和0x7F共33個控制字符。

只支持ASCII碼的系統會忽略每個字節的最高位，只認為低7位是有效位。HZ字符編碼就是早期為了在只支持7位ASCII系統中傳輸中文而設計的編碼。早期很多郵件系統也只支持ASCII編碼，為了傳輸中文郵件必須使用BASE64或者其他編碼方式。

#4.GB2312

GB2312是基于區位碼設計的，區位碼把編碼表分為94個區，每個區對應94個位，每個字符的區號和位號組合起來就是該漢字的區位碼。區位碼一般 用10進制數來表示，如1601就表示16區1位，對應的字符是“啊”。在區位碼的區號和位號上分別加上0xA0就得到了GB2312編碼。

區位碼中01-09區是符號、數字區，16-87區是漢字區，10-15和88-94是未定義的空白區。它將收錄的漢字分成兩級：第一級是常用漢字計 3755個，置于16-55區，按漢語拼音字母/筆形順序排列；第二級漢字是次常用漢字計3008個，置于56-87區，按部首/筆畫順序排列。一級漢字 是按照拼音排序的，這個就可以得到某個拼音在一級漢字區位中的范圍，很多根據漢字可以得到拼音的程序就是根據這個原理編寫的。

GB2312字符集中除常用簡體漢字字符外還包括希臘字母、日文平假名及片假名字母、俄語西里爾字母等字符，未收錄繁體中文漢字和一些生僻字。可以用繁體漢字測試某些系統是不是只支持GB2312編碼。

GB2312的編碼范圍是0xA1A1-0x7E7E，去掉未定義的區域之后可以理解為實際編碼范圍是0xA1A1-0xF7FE。
EUC-CN可以理解為GB2312的別名，和GB2312完全相同。

區位碼更應該認為是字符集的定義，定義了所收錄的字符和字符位置，而GB2312及EUC-CN是實際計算機環境中支持這種字符集的編碼。HZ和ISO- 2022-CN是對應區位碼字符集的另外兩種編碼，都是用7位編碼空間來支持漢字。區位碼和GB2312編碼的關系有點像 Unicode和UTF-8。

#5.GBK

GBK編碼是GB2312編碼的超集，向下完全兼容GB2312，同時GBK收錄了Unicode基本多文種平面中的所有CJK漢字。同 GB2312一樣，GBK也支持希臘字母、日文假名字母、俄語字母等字符，但不支持韓語中的表音字符（非漢字字符）。GBK還收錄了GB2312不包含的 漢字部首符號、豎排標點符號等字符。

GBK的整體編碼范圍是為0x8140-0xFEFE，不包括低字節是0×7F的組合。高字節范圍是0×81-0xFE，低字節范圍是0x40-7E和0x80-0xFE。

低字節是0x40-0x7E的GBK字符有一定特殊性，因為這些字符占用了ASCII碼的位置，這樣會給一些系統帶來麻煩。
有些系統中用0x40-0x7E中的字符（如“|”）做特殊符號，在定位這些符號時又沒有判斷這些符號是不是屬于某個 GBK字符的低字節，這樣就會造成錯誤判斷。在支持GB2312的環境下就不存在這個問題。需要注意的是支持GBK的環境中小于0x80的某個字節未必就 是ASCII符號；另外就是最好選用小于0×40的ASCII符號做一些特殊符號，這樣就可以快速定位，且不用擔心是某個漢字的另一半。Big5編碼中也 存在相應問題。

CP936和GBK的有些許差別，絕大多數情況下可以把CP936當作GBK的別名。

#6.unicode

每一種語言的不同的編碼頁，增加了那些需要支持不同語言的軟件的復雜度。因而人們制定了一個世界標準，叫做unicode。unicode為每個字符提供 了唯一的特定數值，不論在什么平臺上、不論在什么軟件中，也不論什么語言。也就是說，它世界上使用的所有字符都列出來，并給每一個字符一個唯一特定數值。
　　Unicode的最初目標，是用1個16位的編碼來為超過65000字符提供映射。但這還不夠，它不能覆蓋全部歷史上的文字，也不能解決傳輸的問題 (implantation head-ache’s)，尤其在那些基于網絡的應用中。已有的軟件必須做大量的工作來程序16位的數據。
　　因此，Unicode用一些基本的保留字符制定了三套編碼方式。它們分別是UTF-8,UTF-16和UTF-32。正如名字所示，在UTF－8中， 字符是以8位序列來編碼的，用一個或幾個字節來表示一個字符。這種方式的最大好處，是UTF－8保留了ASCII字符的編碼做為它的一部分，例如，在 UTF－8和ASCII中，“A”的編碼都是0x41.
　　UTF－16和UTF－32分別是Unicode的16位和32位編碼方式。考慮到最初的目的，通常說的Unicode就是指UTF-16。在討論Unicode時，搞清楚哪種編碼方式非常重要。

#7.UTF-8

Unicode Transformation Format-8bit，允許含BOM，但通常不含BOM。是用以解決國際上字符的一種多字節編碼，它對英文使用8位（即一個字節），中文使用24為（三 個字節）來編碼。UTF-8包含全世界所有國家需要用到的字符，是國際編碼，通用性強。UTF-8編碼的文字可以在各國支持UTF8字符集的瀏覽器上顯 示。如，如果是UTF8編碼，則在外國人的英文IE上也能顯示中文，他們無需下載IE的中文語言支持包。

#8.總結

GBK的文字編碼是用雙字節來表示的，即不論中、英文字符均使用雙字節來表示，為了區分中文，將其最高位都設定成1。GBK包含全部中文字符，是國家編碼，通用性比UTF8差，不過UTF8占用的數據庫比GBD大。

GBK、GB2312等與UTF8之間都必須通過Unicode編碼才能相互轉換：

GBK、GB2312－－Unicode－－UTF8

UTF8－－Unicode－－GBK、GB2312

對于一個網站、論壇來說，如果英文字符較多，則建議使用UTF－8節省空間。不過現在很多論壇的插件一般只支持GBK。 unicode是字符集，ASCII、GB2312、GBK、GB18030既是字符集也是編碼方式，UTF-8只是編碼方式。

ISO-8859-1：單字節編碼，不能顯示中文；

GB2312/GBK：專門表示漢字，雙字節編碼，

gbk表示簡體字和繁體字，gb2312只能表示簡體字

unicode：最統一的編碼，可以用來表示所有語言的字符，而且是定長雙字節編碼，不兼容那iso-8859-1,也不兼容任何編碼。

Java中常用的編碼轉換
1）getBytes(charset)：將字符串以字節方式表示，注意字符串在java內存中總是按unicode編碼存儲；

2）new String(charset)：將字節數組按照charset編碼進行組合識別，最后轉成unicode存儲；

Java中注意問題

1）request請求默認的是編碼是iso-8859-1

2)iso-8859-1是java網絡傳輸使用的標準字符集

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的字符集和字符编码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。