簡介

在本文中你將了解到Unicode和UTF-8,UTF-16,UTF-32的關(guān)系，同時你還會了解變種UTF-8，并且探討一下UTF-8和變種UTF-8在java中的應(yīng)用。

一起來看看吧。

Unicode的發(fā)展史

在很久很久以前，西方世界出現(xiàn)了一種叫做計算機(jī)的高科技產(chǎn)品。

初代計算機(jī)只能做些簡單的算數(shù)運(yùn)算，還要使用人工打孔的程序才能運(yùn)行，不過隨著時間的推移，計算機(jī)的體積越來越小，計算能力越來越強(qiáng)，打孔已經(jīng)不存在了，變成了人工編寫的計算機(jī)語言。

一切都在變化，唯有一件事情沒有變化。這件事件就是計算機(jī)和編程語言只流傳在西方。而西方日常交流使用26個字母加有限的標(biāo)點符號就夠了。

最初的計算機(jī)存儲可以是非常昂貴的，我們用一個字節(jié)也就是8bit來存儲所有能夠用到的字符，除了最開始的1bit不用以外，總共有128中選擇，裝26個小寫+26個大寫字母和其他的一些標(biāo)點符號之類的完全夠用了。

這就是最初的ASCII編碼，也叫做美國信息交換標(biāo)準(zhǔn)代碼（American Standard Code for Information Interchange）。

后面計算機(jī)傳到了全球，人們才發(fā)現(xiàn)好像之前的ASCII編碼不夠用了，比如中文中常用的漢字就有4千多個，怎么辦呢?

沒關(guān)系，將ASCII編碼本地化，叫做ANSI編碼。1個字節(jié)不夠用就用2個字節(jié)嘛，路是人走出來的，編碼也是為人來服務(wù)的。于是產(chǎn)生了各種如GB2312, BIG5, JIS等各自的編碼標(biāo)準(zhǔn)。這些編碼雖然與ASCII編碼兼容，但是相互之間卻并不兼容。

這嚴(yán)重的影響了國際化的進(jìn)程，這樣還怎么去實現(xiàn)同一個地球，同一片家園的夢想？

于是國際組織出手了，制定了UNICODE字符集，為所有語言的所有字符都定義了一個唯一的編碼，unicode的字符集是從U+0000到U+10FFFF這么多個編碼。

那么unicode和UTF-8，UTF-16，UTF-32有什么關(guān)系呢？

unicode字符集最后是要存儲到文件或者內(nèi)存里面的，直接存儲的話，空間占用太大。那怎么存呢？使用固定的1個字節(jié)，2個字節(jié)還是用變長的字節(jié)呢？于是我們根據(jù)編碼方式的不同，分成了UTF-8，UTF-16，UTF-32等多種編碼方式。

其中UTF-8是一種變長的編碼方案，它使用1-4個字節(jié)來存儲。UTF-16使用2個或者4個字節(jié)來存儲，JDK9之后的String的底層編碼方式變成了兩種：LATIN1和UTF16。

而UTF-32是使用4個字節(jié)來存儲。這三種編碼方式中，只有UTF-8是兼容ASCII的，這也是為什么國際上UTF-8編碼方式比較通用的原因（畢竟計算機(jī)技術(shù)都是西方人搞出來的）。

Unicode詳解

知道了Unicode的發(fā)展史之后，接下來我們詳解講解一下Unicode到底是怎么編碼的。

Unicode標(biāo)準(zhǔn)從1991年發(fā)布1.0版本，已經(jīng)發(fā)展到2020年3月最新的13.0版本。

Unicode能夠表示的字符串范圍是0到10FFFF,表示為U+0000到U+10FFFF。

其中U+D800到U+DFFF的這些字符是預(yù)留給UTF-16使用的，所以Unicode的實際表示字符個數(shù)是216 − 211 + 220 = 1,112,064個。

我們將Unicode的這些字符集分成17個平面,各個平面的分布圖如下：

以Plan 0為例，Basic Multilingual Plane (BMP)基本上包含了大部分常用的字符，下圖展示了BMP中所表示的對應(yīng)字符：

上面我們提到了U+D800到U+DFFF是UTF-16的保留字符。其中高位U+D800–U+DBFF和低位U+DC00–U+DFFF是作為一對16bits來對非BMP的字符進(jìn)行UTF-16編碼。單獨(dú)的一個16bits是無意義的。

UTF-8

UTF-8是用1到4個字節(jié)來表示所有的1,112,064個Unicode字符。所以UTF-8是一種變長的編碼方式。

UTF-8目前是Web中最常見的編碼方式，我們看下UTF-8怎么對Unicode進(jìn)行編碼：

最開始的1個字節(jié)可以表示128個ASCII字符，所以UTF-8是和ASCII兼容的。

接下來的1,920個字符需要兩個字節(jié)進(jìn)行編碼，涵蓋了幾乎所有拉丁字母字母表的其余部分，以及希臘語，西里爾字母，科普特語，亞美尼亞語，希伯來語，阿拉伯語，敘利亞語，Thaana和N'Ko字母，以及組合變音符號標(biāo)記。BMP中的其余部分中的字符需要三個字節(jié)，其中幾乎包含了所有常用字符，包括大多數(shù)中文，日文和韓文字符。Unicode中其他平面中的字符需要四個字節(jié)，其中包括不太常見的CJK字符，各種歷史腳本，數(shù)學(xué)符號和表情符號（象形符號）。

下面是一個具體的UTF-8編碼的例子：

UTF-16

UTF-16也是一種變長的編碼方式，UTF-16使用的是1個到2個16bits來表示相應(yīng)的字符。

UTF-16主要在Microsoft Windows, Java 和 JavaScript/ECMAScript內(nèi)部使用。

不過UTF-16在web上的使用率并不高。

接下來，我們看一下UTF-16到底是怎么進(jìn)行編碼的。

首先：U+0000 to U+D7FF 和 U+E000 to U+FFFF，這個范圍的字符，直接是用1個16bits來表示的，非常的直觀。

接著是：U+010000 to U+10FFFF

這個范圍的字符，首先減去0x10000，變成20bits表示的0x00000–0xFFFFF。

然后高10bits位的0x000–0x3FF加上0xD800，變成了0xD800–0xDBFF，使用1個16bits來表示。

低10bits的0x000–0x3FF加上0xDC00，變成了0xDC00–0xDFFF，使用1個16bits來表示。

U' = yyyyyyyyyyxxxxxxxxxx // U - 0x10000

W1 = 110110yyyyyyyyyy // 0xD800 + yyyyyyyyyy

W2 = 110111xxxxxxxxxx // 0xDC00 + xxxxxxxxxx

這也是為什么在Unicode中0xD800–0xDFFF是UTF-16保留字符的原因。

下面是一個UTF-16編碼的例子：

UTF-32

UTF-32是固定長度的編碼，每一個字符都需要使用1個32bits來表示。

因為是32bits，所以UTF-32可以直接用來表示Unicode字符，缺點就是UTF-32占用的空間太大，所以一般來說很少有系統(tǒng)使用UTF-32.

Null-terminated string 和變種UTF-8

在C語言中，一個string是以null character ('\0'）NUL結(jié)束的。

所以在這種字符中，0x00是不能存儲在String中間的。那么如果我們真的想要存儲0x00該怎么辦呢？

我們可以使用變種UTF-8編碼。

在變種UTF-8中，null character (U+0000) 是使用兩個字節(jié)的：11000000 10000000 來表示的。

所以變種UTF-8可以表示所有的Unicode字符，包括null character U+0000。

通常來說，在java中，InputStreamReader 和 OutputStreamWriter 默認(rèn)使用的是標(biāo)準(zhǔn)的UTF-8編碼，但是在對象序列化和DataInput，DataOutput,JNI和class文件中的字符串常量都是使用的變種UTF-8來表示的。

補(bǔ)充知識：Java基礎(chǔ)之字符串的編碼(Encode)和解碼(Decode)

廢話不多說，看代碼~

package newFeatures8; 
import java.io.UnsupportedEncodingException;
import java.util.Arrays;
 
/*
 * 編碼(由看得懂到看不懂)：字符串變字節(jié)數(shù)組
 * 解碼(由看不懂到看得懂)：字符數(shù)組變字符串
 * String--》byte[];//str.getBytes();//str.getBytes(String CharsetName);
 * byte[]--》String;//new String(byte[] bytes)//new String(byte[] bytes,String CharsetName);
 */
 
public class Practice {
 
	public static void main(String[] args) {
		try {
			 String s="你好";
			 //ISO-8859-1 根本就不識別中文
			 
			 // byte[] bytes=s.getBytes("gbk");
			 // System.out.println(Arrays.toString(bytes));//[-60, -29, -70, -61]
			 
			 //使用utf-8 編碼每個字符占3個字節(jié)
			 //byte[] bytes=s.getBytes("utf-8");
			 // System.out.println(Arrays.toString(bytes));//[-28, -67, -96, -27, -91, -67]
			 
			 // String s1=new String(s.getBytes("utf-8"), "gbk");//浣犲ソ
			 
			 // String s1=new String(s.getBytes("gbk"), "utf-8");//???
			 
			 //當(dāng)網(wǎng)頁已經(jīng)出現(xiàn)亂碼，而使用的Tomcat服務(wù)器，Tomcat服務(wù)器使用的是ISO-8859-1 只需要再編碼解碼即可
			  String s1=new String(s.getBytes("ISO-8859-1"), "utf-8");
			  System.out.println(s1);
			  //一般要養(yǎng)成一個習(xí)慣：就是全部用utf-8
		} catch (UnsupportedEncodingException e) {
			e.printStackTrace();
		}
	 
	}	 
}

package newFeatures8; 
import java.io.UnsupportedEncodingException; 
public class Practice {
	public static void main(String[] args) throws UnsupportedEncodingException {
		getLowest8Bit();
	}
	/*
	 * 通過研究發(fā)現(xiàn)：當(dāng)往記事本里寫入"聯(lián)通"兩字時，保存后打開，發(fā)現(xiàn)出現(xiàn)亂碼
	 * 原因是:當(dāng)你寫入中文時：記事本使用的是GBK(按照一個字符兩個字節(jié))編碼
	 * ，當(dāng)你打開記事本時，使用的是UTF-8(按照一個字符3個字節(jié))解碼
	 * 如何解決：只要在聯(lián)通前加個漢字即可，不能是字母
	 * 
	 * "聯(lián)通"二字比較特殊
	 * 其二進(jìn)制數(shù)的最低8位剛好符合UTF-8的解碼格式
	 */
	public static void getLowest8Bit() throws UnsupportedEncodingException{
		String s="聯(lián)通";
		byte[] bytes=s.getBytes("gbk");
		for (byte b : bytes) {
			//System.out.println(Integer.toBinaryString(b));
			/*
			  11111111111111111111111111000001
				11111111111111111111111110101010
				11111111111111111111111111001101
				11111111111111111111111110101000
			 */
			//通過使用 與上 &0xff 來獲取其最低最低8位 0xff=255
			System.out.println(Integer.toBinaryString(b&0xff));
			/*
			 * 11000001
				10101010
				11001101
				10101000
			 */
			//匹配到了utf-8 的標(biāo)志位
			//一個字節(jié) 標(biāo)志位0打頭
			//兩個字節(jié) ：第一個字節(jié)110打頭，第二個字節(jié)10打頭
			//三個字節(jié)：第一個字節(jié)1110打頭，第二個字節(jié)10打頭，第三個字節(jié)10打頭
		}
	}
	
}

以上這篇一文解開java中字符串編碼的小秘密(干貨)就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論