字符编码集

计算机中，数据存储是以二进制来存储的（bit），而人们所理解的常见的字符数据等都需要进行编码为二进制，因此边有了字符编码，不同字符编码集合便构成了字符集。Java编程过程中，常见的字符集主要有：ASCII编码、ISO8859、GBK和Unicode编码。

• ASCII编码

ASCII（美国信息互换标准代码）编码用一个字节（1byte=8bit）来表示字符，是现今最通用的单字节编码方式，基于常用的英文字符的一套编码系统。每一个ASCII与一个8bit的二进制相对应，其最高位为0，对应的二进制数范围为0-127，表示英文字符、数字和控制字符。另外的128个（最高位为1的）扩展ASCII编码，表示一些图形和划线符号。

现如今，不同国家都将自己的语言引入到计算机中，因此给予ASCII编码的字符集已经不能满足要求了，便有了后面一些字符编码集。

• ISO8859

国际标准组织ISO为了解决ASCII字符集表示字符数量的限制，便指定了几种不同的字符集，比较常见的ISO8859-1，通常也叫做Latin-1，ISO8859-1包括了西方欧洲语言书写不可缺少的附加字符，其中0-127的字符和ASCII一样。除此之外，ISO还定义了10个适用于不同语言的字符集（ISO8859-2到ISO8859-10和ISO8859-15），ISO8859-11到ISO8859-14四个字符集正在开发。这些字符集共享0-127的ASCII字符，扩展了128-255的其他字符。

• GBK

常见的GB2312是中国国家标准汉字信息交换用编码，标准号为GB2312-80，简称国标码。它采用两个字节（2byte）来表示汉字字符，分别成为高位和低位，是所有中文系统和国际化软件都支持的汉字字符编码集，它的编码范围为：高位（0xa1-0xfe），低位（0xa1-0xfe），汉字是从0xb0a1开始，在0xf7fe。

为了对中文繁体、不常用的字和一些其他的符号扩展，1995年颁布了GBK编码规范，GBK完全兼容GB2312，包含20902个汉字，其编码范围为：0x8140-0xfefe。GBK是现阶段windows和其他一些中文操作系统的默认字符集，但不是所有的国际化软件都支持GBK规范。

• Unicode编码

现有问题：中国网友发送一份中国邮件给西班牙朋友，中国网友邮件的中文字符通过GBK编码变为二进制数据发送到西班牙，西班牙朋友通过ISO8859-1将二进制数据解码为字符，便出现了乱码。因此为了统一全世界的编码，Unicode协会发布了Unicode编码。

Unicode编码使用0-65536（2byte）的双字节无符号数对每一个字符进行编码，目前已经定义了40000多个不同的Unicode字符，剩余的25000多个用来扩展，其中大约20000多个用来扩展汉字，Unicode中0-255数字和ISO8859-1中定义的一致，为了实现等长，是在前面加0。中文字符在Unicode中的范围为：0x0800-0xffff

• UTF-8

Unicode编码编码字符时，一个英文字符要占用2byte，在Internet上传输，会使数据量加倍，为了减少传输量和存储量，采用UTF-8编码来解决。如果Unicode编码范围为0x0000和0x0080-0x007f的字符在UTF-8中是占用两个字节，

如果Unicode编码范围在0x0800-0xffff（汉字）之间，对应的UTF-8占用三个字节。UTF-8在编码汉字的时候比Unicode多占用一个字节。

Unicode和UTF-8之间的转换规则如下：

1.如果Unicode编码的前面9位为0，则UTF-8占用一个字节，这个字节的首位是0，后七位和Unicode后七位相同。

2.如果Unicode编码的前5位为0，则UTF-8占用两个字节，这两个字节，首字节以“110”开头，后面5位为原二进制数据去掉前五位后的最高5位相同，第二个字节以“10”开头，后六位为原二进制数据的后六位。

3.如果不符合上述两条规则，UTF-8占用三个字节，第一个字节以“1110”开头，后四位为原二进制数据个高四位；第二个字节以“10”开头，后六位为原二进制数据接下来的6位，第三个字节以“10”开头，后六位为原二进制数据的低六位。