编码基础知识

怼烎@ 2022-05-17 02:05 184阅读 0赞

from [https://www.cnblogs.com/pureEve/p/6542809.html][https_www.cnblogs.com_pureEve_p_6542809.html]

最早的编码是iso8859-1，和ascii编码相似。

但为了方便表示各种各样的语言，逐渐出现了很多标准编码，重要的有如下几个。

## 1.1. iso8859-1 通常叫做Latin-1 ##

属于**单字节编码**，最多能表示的字符范围是0-255，应用于英文系列。比如，字母a的编码为0x61=97。

很明显，iso8859-1编码表示的字符范围很窄，无法表示中文字符。但是，由于是单字节编码，和计算机最基础的表示单位一致，所以很多时候，仍旧使用iso8859-1编码来表示。而且在很多协议上，默认使用该编码。比如，虽然"中文"两个字不存在iso8859-1编码，以gb2312编码为例，应该是"d6d0 cec4"两个字符（java字符占2个字节），使用iso8859-1编码的时候则将它拆开为4个字节来表示："d6 d0 ce c4"（事实上，在进行存储的时候，也是以字节为单位处理的）。而如果是UTF编码，则是6个字节"e4 b8 ad e6 96 87"。很明显，这种表示方法还需要以另一种编码为基础。

## 2.2. GB2312/GBK ##

这就是汉字的国标码，专门用来**表示汉字，是双字节编码，而英文字母和iso8859-1一致**（兼容iso8859-1编码）。其中gbk编码能够用来同时表示繁体字和简体字，而**gb2312只能表示简体字**，gbk是兼容gb2312编码的。

## 1.3 unicode ##

这是最统一的编码，可以用来表示所有语言的字符，而且是**定长双字节**（也有四字节的）编码，包括英文字母在内。所以可以说它是不兼容iso8859-1编码的，也不兼容任何编码。不过，相对于iso8859-1编码来说，uniocode编码只是在前面增加了一个0字节，比如字母a为"00 61"。

需要说明的是，定长编码便于计算机处理（注意GB2312/GBK不是定长编码），而unicode又可以用来表示所有字符，所以在很多软件内部是使用unicode编码来处理的，比如java。

## 1.4 UTF ##

考虑到unicode编码不兼容iso8859-1编码，而且容易占用更多的空间：因为对于英文字母，unicode也需要两个字节来表示。所以unicode不便于传输和存储。因此而产生了utf编码，utf编码兼容iso8859-1编码，同时也可以用来表示所有语言的字符，不过，**utf编码是不定长编码**，每一个字符的长度从1-6个字节不等。另外，utf编码自带简单的校验功能。**一般来讲，英文字母都是用一个字节表示，而汉字使用三个字节。**

注意，虽然说utf是为了使用更少的空间而使用的，但那只是相对于unicode编码来说，如果已经知道是汉字，则使用GB2312/GBK无疑是最节省的。不过另一方面，值得说明的是，虽然utf编码对汉字使用3个字节，但即使对于汉字网页，utf编码也会比unicode编码节省，因为网页中包含了很多的英文字符。

# 2.Unicode、UTF-8 和 ISO8859-1到底有什么区别 #

将以"中文"两个字为例，经查表可以知道其GB2312编码是"d6d0 cec4"，Unicode编码为"4e2d 6587"，UTF编码就是"e4b8ad e69687"。注意，这两个字没有iso8859-1编码，但可以用iso8859-1编码来表示。

# 3. java对字符的处理 #

在java应用软件中，会有多处涉及到字符集编码，有些地方需要进行正确的设置，有些地方需要进行一定程度的处理。

## 3.1 getBytes(charset) ##

这是java字符串处理的一个标准函数，其作用是将字符串所表示的字符按照charset编码，并以字节方式表示。注意字符串在java内存中总是按unicode编码存 储的。比如"中文"，正常情况下（即没有错误的时候）存储为"4e2d 6587"，如果charset为"gbk"，则被编码为"d6d0 cec4"，然后返回字节"d6 d0 ce c4"。如果charset为"utf8"则最后是"e4 b8 ad e6 96 87"。如果是"iso8859-1"，则由于无法编码，最后返回 "3f 3f"（两个问号）。

## 3.2 new String(charset) ##

这是java字符串处理的另一个标准函数，和上一个函数的作用相反，将字节数组按照charset编码进行组合识别，最后转换为unicode存储。参考上述getBytes的例子，"gbk" 和"utf8"都可以得出正确的结果"4e2d 6587"，但iso8859-1最后变成了"003f 003f"（两个问号）。因为utf8可以用来表示/编码所有字符，所以new String( str.getBytes( "utf8" ), "utf8" ) === str，即完全可逆。

## 3.3 setCharacterEncoding() ##

该函数用来设置http请求或者相应的编码。

对于request，是指提交内容的编码，指定后可以通过getParameter()则直接获得正确的字符串，如果不指定，则默认使用iso8859-1编码，需要进一步处理。

参见下述"表单输入"。值得注意的是在执行setCharacterEncoding()之前，不能执行任何getParameter()。java doc上说明：This method must be called prior to reading request parameters or reading input using getReader()。而且，**该指定只对POST方法有效，对GET方法无效。**分析原因，**POST方法**在执行第一个getParameter()的时候，java将会按照编码分析所有的提交内容，而后续的getParameter()不再进行分析，所以setCharacterEncoding()无效。而对于**GET方法**提交表单是，提交的内容在URL中，一开始就已经按照编码分析所有的提交内容，setCharacterEncoding()自然就无效。

**注意：**iso-8859-1是JAVA网络传输使用的标准字符集,而gb2312是标准中文字符集,当你作出提交表单等需要网络传输的操作的时候,就需要把 iso-8859-1转换为gb2312字符集显示,否则如果按浏览器的gb2312格式来解释iso-8859-1字符集的话,由于2者不兼容,所以会 是乱码.

例子：

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 </td> 
 <td> <code>&lt;code&gt;String&nbsp;s&nbsp;=&nbsp;</code><code>"你好"</code><code>;</code> <code>//&nbsp;编码</code> <code>byte</code><code>[]&nbsp;utf&nbsp;=&nbsp;s.getBytes(</code><code>"utf-8"</code><code>);</code> <code>byte</code><code>[]&nbsp;gbk&nbsp;=&nbsp;s.getBytes(</code><code>"gbk"</code><code>);</code> <code>System.out.println(</code><code>"utf-8编码："</code>&nbsp;<code>+&nbsp;Arrays.toString(utf));</code><code>//[-28,-67,-96,-27,-91,-67]&nbsp;&nbsp;6个字节</code> <code>System.out.println(</code><code>"gbk编码："</code>&nbsp;<code>+&nbsp;Arrays.toString(gbk));</code><code>//[-60,-29,-70,-61]&nbsp;4个字节</code> <code>//&nbsp;解码</code> <code>String&nbsp;s1&nbsp;=&nbsp;</code><code>new</code>&nbsp;<code>String(utf,&nbsp;</code><code>"utf-8"</code><code>);&nbsp;</code><code>//&nbsp;你好</code> <code>String&nbsp;s2&nbsp;=&nbsp;</code><code>new</code>&nbsp;<code>String(utf,&nbsp;</code><code>"gbk"</code><code>);&nbsp;</code><code>//&nbsp;gbk解码：浣犲ソ&nbsp;gbk用2个字节解码，所以会多一个字符</code> <code>String&nbsp;s3&nbsp;=&nbsp;</code><code>new</code>&nbsp;<code>String(gbk,&nbsp;</code><code>"utf-8"</code><code>);&nbsp;</code><code>//&nbsp;gbk用utf-8解码：???&nbsp;utf-8解码需要6个字节</code> <code>System.out.println(</code><code>"--------------------"</code><code>);</code> <code>System.out.println(</code><code>"utf-8解码："</code>&nbsp;<code>+&nbsp;s1);</code> <code>System.out.println(</code><code>"gbk解码："</code>&nbsp;<code>+&nbsp;s2);</code> <code>System.out.println(</code><code>"gbk用utf-8解码："</code>&nbsp;<code>+&nbsp;s3);</code> <code>System.out.println(</code><code>"---------------------"</code><code>);</code> <code>System.out.println(</code><code>"用utf-8编码回去"</code><code>);</code> <code>s3&nbsp;=&nbsp;</code><code>new</code>&nbsp;<code>String(s3.getBytes(</code><code>"utf-8"</code><code>),&nbsp;</code><code>"gbk"</code><code>);&nbsp;</code><code>//&nbsp;锟斤拷锟?&nbsp;&nbsp;&nbsp;gbk用utf-8解码后无法编回去</code> <code>System.out.println(s3);&lt;/code&gt;</code> </td> 
 </tr> 
 </tbody> 
</table>

# 规律： #

utf-8编码可以用gbk和iso8859-1解码后编回去

gbk编码后只能用iso8859-1解码后编回去

在JSP页面获取表单的值时会出现乱码，有两种解决方法：

1.在调用getParameter之前通过request.setCharacterEncoding设置字符编码

2.调用new String(str.getBytes("iso8859-1"), "UTF-8");编码后解码

[https_www.cnblogs.com_pureEve_p_6542809.html]: https://www.cnblogs.com/pureEve/p/6542809.html