Java认证之Java中编码以及Unicode总结（1）

会计考友

Java认证之Java中编码以及Unicode总结（1）
( k$ T1 h+ i) J/ D$ Q- Q　基本概念
　　bit 位只能是0或者1
　　byte 字节一个字节是8位，1 byte=8 bits 计算机表示的基本单位
　　KB，MB，GB，TB，PB是以1024与byte进行换算
) A/ g, A3 ]2 [- |2 H, Q$ X　　进制 用符号进行计数 十进制、二进制、八进制（011）、十六进制（0xFF）
　　字符文字和符号的总称
1 \8 X7 d2 m/ f3 {' w　　1、
　　0 0×00 0000，0000
　　1 0×01 0000，0001
. G8 T. _; f; n　　2 0×01 0000，0010
　　127 0×7F 0111，1111
8 T( n7 s) R% u( w9 i$ S　　-128 0×80 1000，0000
　　-2 0xFE 1111，1110
　　-1 0xFF 1111，1111
1 p* n9 c- j% a) {. u. M" G　　以补码的形式表示的二进制编码。
　　-2的表示，2=0000，0010，反码1111，1101，补码=反码+1=11111110
　　1111，1110表示的就是1111，1110-1=1111，1101，取反就是0000，0010也就是2，所以就是-2
　　2、
　　字符集和编码
　　2.1字符（Character）
1 i  S' O! @2 `* e　　字符（Character）是文字与符号的总称，包括文字、图形符号、数学符号等。
5 |; _0 o4 K3 J+ w　　2.2字符集（Character Set）
; s3 j5 J: t$ \1 b6 B# t: a　　一组抽象字符的集合就是字符集（Character Set）。字符集常常和一种具体的语言文字对应起来，该文字中的所有字符或者大部分常用字符就构成了该文字的字符集，比如英文字符集。一组有共同特征的字符也可以组成字符集，比如繁体汉字字符集、日文汉字字符集。字符集的子集也是字符集。
% N2 m; D( l! ~: w. D! e7 P4 m　　计算机要处理各种字符，就需要将字符和二进制内码对应起来，这种对应关系就是字符编码（Encoding）。制定编码首先要确定字符集，并将字符集内的字符排序，然后和二进制数字对应起来。根据字符集内字符的多少，会确定用几个字节来编码。每种编码都限定了一个明确的字符集合，叫做被编码过的字符集 （Coded Character Set），这是字符集的另外一个含义。通常所说的字符集大多都是指编码字符集（Coded Character Set）。
& n6 t5 t1 @; s8 U- [) J' j　　1
5 i' L- I6 A4 l9 L0 m　　2.2.1 ASCII字符集
; k# _1 `) O5 F　　ASCII（American Standard Code for Information Interchange，美国信息互换标准代码）是基于罗马字母表的一套电脑编码系统。由美国国家标准局（ANSI）制定。
　　7位，可以表示2^7=128个字符。在计算机的存储单元中，一个ASCII码值占一个字节（8个二进制位），其最高位（b7）用作奇偶校验位。 7位编码的字符集只能支持128个字符，为了表示更多的欧洲常用字符对ASCII进行了扩展，ASCII扩展字符集使用8位（bits）表示一个字符，共 256字符。
& U9 \' V. o8 F4 x" A+ X4 A　　ASCII扩展字符集比ASCII字符集扩充出来的符号包括表格符号、计算符号、希腊字母和特殊的拉丁符号。
　　2.2.2 GB2312 字符集
　　GB2312又称为GB2312-80字符集，全称为《信息交换用汉字编码字符集·基本集》，由原中国国家标准总局发布，1981年5月1日实施。在中国大陆和新加坡获广泛使用。GB2312收录简化汉字及一般符号、序号、数字、拉丁字母、日文假名、希腊字母、俄文字母、汉语拼音符号、汉语注音字母，共 7445 个图形字符。其中包括6763个汉字，其中一级汉字3755个，二级汉字3008个；包括拉丁字母、希腊字母、日文平假名及片假名字母、俄语西里尔字母在内的682个全角字符。
　　GB2312中对所收汉字进行了“分区”处理，每区含有94个汉字/符号。这种表示方式也称为区位码。各区包含的字符如下：01-09区为特殊符号；16-55区为一级汉字，按拼音排序；56-87区为二级汉字，按部首/笔画排序；10-15区及88-94区则未有编码。
　　两个字节中前面的字节为第一字节，后面的字节为第二字节。习惯上称第一字节为“高字节” ，而称第二字节为“低字节”。“高位字节”使用了0xA1-0xF7 （把01-87区（88-94区未有编码）的区号加上0xA0），“低位字节”使用了0xA1-0xFE （把01-94加上0xA0）。
　　以GB2312字符集的第一个汉字“啊”字为例，它的区号16，位号01，则区位码是1601，在大多数计算机程序中，高字节和低字节分别加0xA0得到程序的汉字处理编码0xB0A1。计算公式是：0xB0=0xA0+16， 0xA1=0xA0+1。
　　2.2.3 GBK 字符集
& n! T4 Z5 c  {7 k  F　　GBK全名为汉字内码扩展规范，英文名Chinese Internal Code Specification。K 即是“扩展”所对应的汉语拼音（KuoZhan11）中“扩”字的声母。GBK 来自中国国家标准代码GB 13000.1-93。GBK： 汉字国标扩展码，基本上采用了原来GB2312-80所有的汉字及码位，并涵盖了原Unicode中所有的汉字20902，总共收录了883个符号， 21003个汉字及提供了1894个造字码位。［（GBKH-0xB0）*0x5E+（GBKL-0xA1）］*（汉字离散后每个汉字点阵所占用的字节）
# o3 Q' r- K! ~7 K2 f9 M& e　　GBK是GB2312的扩展，是向上兼容的，因此GB2312中的汉字的编码与GBK中汉字的相同。另外，GBK中还包含繁体字的编码。
　　GBK中每个汉字仍然包含两个字节，第一个字节的范围是0×81-0xFE（即129-254），第二个字节的范围是0×40-0xFE（即 64-254）。GBK中有码位23940个，包含汉字21003个。
7 R# w  i; ?9 Z　　2
　　2.2.4 BIG5字符集
$ Q7 @, x$ W" D2 M3 M　　又称大五码或五大码，1984年由台湾财团法人信息工业策进会和五间软件公司宏碁 （Acer）、神通 （MiTAC）、佳佳、零壹 （Zero One）、大众 （FIC）创立，故称大五码。Big5码的产生，是因为当时台湾不同厂商各自推出不同的编码，如倚天码、IBM PS55、王安码等，彼此不能兼容；另一方面，台湾政府当时尚未推出官方的汉字编码，而中国大陆的GB2312编码亦未有收录繁体中文字。