查看: 299|回复: 0

[HTML代码] 老生常谈计算机中的编码问题(必看篇)

发表于 2017-12-1 08:00:02
句号论坛

计算机中的编码问题

因为计算机只能处理数字,如果要处理文本,就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特(bit)作为一个字节(byte),所以,一个字节能表示的最大的整数就是255(二进制11111111=十进制255),如果要表示更大的整数,就必须用更多的字节。比如两个字节可以表示的最大整数是65535,4个字节可以表示的最大整数是4294967295。

一、目前常用的编码

ASCII编码:由于计算机是美国人发明的,因此,最早只有127个字母被编码到计算机里,也就是大小写英文字母、数字和一些符号,这个编码表被称为ASCII编码,比如大写字母A的编码是65,小写字母z的编码是122。

GB系列编码:但是要处理中文显然一个字节是不够的,至少需要两个字节,而且还不能和ASCII编码冲突,所以,中国制定了GB2312编码,用来把中文编进去。进而全世界有上百种语言,日本把日文编到Shift_JIS里,韩国把韩文编到Euc-kr里,各国有各国的标准,就会不可避免地出现冲突,结果就是,在多语言混合的文本中,显示出来会有乱码。GB系列编码是我国的国标编码,用来存储汉字,分为GB2312,GBK,GB18030,基本都能向前兼容,其中GBK是目前最通用的。

Unicode编码:Unicode把所有语言都统一到一套编码里,这样就不会再有乱码问题了。Unicode标准也在不断发展,但最常用的是用两个字节表示一个字符(如果要用到非常偏僻的字符,就需要4个字节)。现代操作系统和大多数编程语言都直接支持Unicode。不过他只规定了字符的编码,却没有规定字符以何种方式存储或者传输。所以UTF系列编码规定了Unicode编码的存储和传输方式。

UTF编码系列:目前最常用的UTF编码分为3种,UTF-8,UTF-16和UTF-32,我们知道计算机是以8位为一个字节来存储数据的,而UTF-16,UTF-32分别用2字节和4字节来表示一个字符,所以这里就涉及到字节的存储顺序,是低位在前还是高位在前,这样,BOM就产生了。

BOM是文本文件开头的一个特殊标记,用一组特殊数字来标记文本文件的字节序。虽然UTF-8字节顺序是固定的,但为了兼容UTF-16和UTF-32也规定了UTF-8的BOM,用于标记UTF-8编码。不过UTF-8的BOM在不同平台的规定不同,要小心使用。

BOM规定如下:

UTF-8 EF BB BF

UTF-16(LE) FF FE

UTF-16(BE) FE FF

UTF-32(LE) FF FE 00 00

UTF-32(BE) 00 00 FE FF

UTF-8编码:如果统一成Unicode编码,乱码问题从此消失了。但是,如果你写的文本基本上全部是英文的话,用Unicode编码比ASCII编码需要多一倍的存储空间,在存储和传输上就十分不划算。所以,本着节约的精神,又出现了把Unicode编码转化为“可变长编码”的UTF-8编码。UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节,常用的英文字母被编码成1个字节,汉字通常是3个字节,只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符,用UTF-8编码就能节省空间:

字符 ASCII Unicode UTF-8
A 01000001 00000000 01000001 01000001
X 01001110 00101101 11100100 10111000 10101101

二、计算机系统中的编码应用

在计算机内存中,统一使用Unicode编码,当需要保存到硬盘或者需要传输的时候,就转换为UTF-8编码;用记事本编辑的时候,从文件读取的UTF-8字符被转换为Unicode字符到内存里,编辑完成后,保存的时候再把Unicode转换为UTF-8保存到文件:

浏览网页的时候,服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器:

所以你看到很多网页的源码上会有类似的信息,表示该网页正是用的UTF-8编码。

三、Java中的编码问题

直接写一个demo来看看eclipse中java项目的编码是怎么样的吧。

1、字符串转为字节序列

  1. public class EncodeDemo {
  2. public static void main(String[] args) {
  3. // TODO Auto-generated method stub
  4. String s="云开de立夏";
  5. byte[] bytes1=s.getBytes();//这是把字符串转换成字符数组,转换成的字节序列用的是项目默认的编码
  6. for(byte b: bytes1)
  7. //toHexString这个函数是把字节(转换成了Int)以16进制的方式显示
  8. System.out.print(Integer.toHexString(b & 0xff)+" ");// & 0xff是为了把前面的24个0去掉只留下后八位
  9. }
  10. }
复制代码

运行结果:

分析:可以看到这个java项目的默认编码中,汉字用2个字节表示,英文用一个字节表示。

通过查看项目的默认编码为GBK

如果不想用项目默认的编码格式,可以用下面这种方法指定字符串转化为想要的编码格式:

  1. byte[] bytes2=s.getBytes("utf-8");//转换成utf-8编码
  2. for(byte b: bytes2)
  3. //toHexString这个函数是把字节(转换成了Int)以16进制的方式显示
  4. System.out.print(Integer.toHexString(b & 0xff)+" ");// & 0xff是为了把前面的24个0去掉只留下后八位
  5. System.out.println();
  6. byte[] bytes3=s.getBytes("utf-16be");//转换成java双字节编码,utf-16be编码
  7. for(byte b: bytes3)
  8. //toHexString这个函数是把字节(转换成了Int)以16进制的方式显示
  9. System.out.print(Integer.toHexString(b & 0xff)+" ");// & 0xff是为了把前面的24个0去掉只留下后八位
复制代码

运行结果:

分析:两个结果对比可以得出,

gbk编码: 中文占用两个字节,英文占用一个字节。

utf-8编码:中文占用三个字节,英文占用一个字节。

utf-16be编码:中文占用两个字节,英文占用两个字节。

注意:java是双字节编码,是utf-16be编码。即java中的一个字符(char)占用两个字节!

2、字节序列转为字符串

当你的字节序列是某种编码时,这个时候想把字节序列变成字符串,也需要用这种编码方式,否则会出现乱码。

  1. String str1=new String(bytes1);//这时会使用项目默认的编码来转换,可能出现乱码
  2. System.out.println(str1);
  3. String str2=new String(bytes2);
  4. System.out.println(str2);
  5. String str3=new String(bytes2,"utf-8");
  6. System.out.println(str3);
复制代码

运行结果:

四、文本文件(txt)的编码问题

文本文件就是字节序列,可以是任意编码的字节序列。

如果我们在中文机器上直接创建文本文件,那么该文件只认识ANSI编码(例如直接在电脑中右键创建文本文件)。

这里要注意:只有直接创建文本文件时,该文件的编码只认识ANSI,但是文本文件本身是可以放任意编码的字节序列。

注意:中文系统下,ANSI编码即是GBK编码。

这里举个例子:

我们在eclipse新建一个项目,把它的默认编码改为utf-8

那么对于这个项目而言,它只认识utf-8的编码文件。

接下来,我们在这个项目中新建一个文本文件utf-8.txt,并在里面输入内容如下:

如果直接把这个文本文件拷贝到其他项目中(默认为GBK编码),里面的内容将会变成乱码!因为编码不一样!

但是如果是将里面的内容复制粘贴过去,系统会自动转化为相应的编码,是不会出现乱码的。

注意:如果把这个文本文件拷贝到其他地方(比如系统的桌面)上,它不会出现乱码!!因为文本文件可以是任意的编码序列,系统在读取文本文件时会自动转化为相应的编码格式。

了解文件的编码有什么用呢??在Java的IO流中,我们需要对文件进行读写,使用字节流进行读写的时候,就必须根据不同的编码方式进行读写。因为不同编码方式的各个字符所占用的字节数不同,我们要按照实际情况进行操作。

以上这篇老生常谈计算机中的编码问题(必看篇)就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持程序员之家。



太阳http代理AD
回复

使用道具 举报

关闭

站长推荐上一条 /1 下一条