java的字符编码集(UNICODE,utf-8,gbk等)

字符串的序列化：

从char序列到byte序列的转化，叫做“编码”。

1>java的String本质上是char数组。

2>Unicode编码。与ISO-8859-1兼容。包含全世界所有的字符。均占2个字节。

3>utf-8：采用变长编码1-N方案。英文1个字节，中文3个字节

4>utf-16be编码:将16位的char从中间切开为2个byte。可以支持65535个字符编码

5>GBK：中国标准，支持20000+中日韩文。英文编码1byte，中文2byte。

6>ISO-8859-1:只支持英文字符，不支持中文。(sun服务器默认，如tomcat等)

java字符编码的原理：

先看个图：

这样编码就存在了问题，JVM内和JVM外。

1>java文件编译为class文件

例如：java代码中定义一个字符串：

String s = "汉字";

不管在java文件中采用何种编码，在编译为class文件后，都编程了Unicode编码。

2>JVM中的编码

JVM加载class文件是使用Unicode编码方式读取class文件。那么String s = "汉字“;zai 

JVM中仍然是Unicode编码。

String的方法getBytes()返回的是平台默认的编码方式。

需要注意的是，utf-8并非能容纳所有的中文字符编码，因此在特殊情况下utf-8转GB18030可能会出现乱码。

因此对于中文系统，最好选择GBK或者GB18030(其实GBK是GB18030的子集)

内存中的字符串乱码：

什么叫做内存中的字符串？

比如从JVM从文件中读取来的，从数据流获取的，从数据库获取的，并不限定是从class中获取到的字符串。

然而，他们基本上不是Unicode编码，原因很简单，存储优化。

因此需要处理各种各样的编码问题。

对字符串进行编码的时候应该调用如下方法：

getBytes(String charsetName);

String(byte[] bytes, String charsetName);

通过此可以对内存中的字符进行重新编码。