字符编码

最新推荐文章于 2022-07-21 09:35:04 发布

转载最新推荐文章于 2022-07-21 09:35:04 发布 · 344 阅读

本文深入浅出地介绍了计算机中字符编码的基本概念，包括ASCII、ISO8859-1、GB2312、GBK、GB18030、UTF-8等常见编码的区别与联系，以及如何在Java Web环境中正确处理中文乱码问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

乱码问题

乱码问题是开发中经常碰到的问题，每次遇到这种问题都是从网上搜解决方案，然后拷贝代码去试，不行再去找，成功解决就放一边了，开发完成后也不去追究究竟是什么原因造成的乱码问题，只知道是编码问题，但如果进一步问，是什么样的编码问题导致的就不得而知了。
其实编码没有那么深奥，可以这样理解：计算机在存储字符时，使用的是二进制的数字，为了存储字符，就需要制定一套规则用于将二进制的数字与字符一一对应起来，这样形成的一套规则就叫编码规则，而这套规则包含的所有字符组成一个字符集。那么，在使用该编码规则对将字符转换成二进制存储起来，那么当需要取字符时，很显然也只能使用这套规则就二进制数字进行解码。那么乱码的原因就是因为编码和解码使用了不同的编码规则，并且解码使用的编码规则不兼容编码时编码规则，导致二进制数字不能被正常解析，出现乱码。
有了这样的理解后，接下来就需要了解下常用的编码规则都有哪些，这些规则之间的不同之处是什么。

编码及字符集

ASCII及ISO8859-1

ASCII是美国信息交换标准代码的英文(American Standard Code for Information Interchange)首字母缩写，使用单字节表示一个字符，总共有7位，表示的字符集有128个字符。ISO8859-1是ASCII的扩展字符集，也是单字节编码，但是使用了8位来表示，字符集中有256个字符。按照字符的二进制数字大小排列，前128个字符完全相同，因此使用ASCII编码的字符可以使用ISO8859-1进行解码。
GB及GBK
GB及GBK是适用于汉字的编码方式，按照时间先后主要有以下几种：
- GB2312 中国国家标准简体中文字符集，收录了6763个汉字。采用2个字节来表示，规定：一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节。
- GBK 汉字内码扩展规范，K为汉字“扩展”的拼音首字母大写。是GB2312的扩展，汉字和字符更多，向下完全兼容GB2312,因此使用GB2312编码的汉字，可以使用GBK进行解码。
- GB18030 国家标准 GB-18030-2005《信息技术中文编码字符集》是最新的内码集，有70244个汉字，向下完全兼容GB2312和GBK。多字节编码，单字节双字节和四字节。
以上三种的0-128与ASCII完全一致，即兼容ASCII编码
UTF-8/UTF-16
- UTF-8 8-bit Unicode Transformation Format ,可变长度字符编码，与ASCII兼容。

Java Web中的编解码

Java的网络通信采用ISO8859-1编码方式，因此HTTP请求在传递之前都要经过ISO8859-1编码后进行传输，而后在接收端再使用ISO8859-1进行解码。比如传递一个参数是中文，中文是GBK编码的，将参数使用GBK编码后，再使用ISO8859-1解码。解码后进行传输，浏览器接收后使用GBK进行编码，再使用ISO8859-1进行解码，得到正确的字符。整个过程如下面的代码所示：

    public static void main(String[] args) throws UnsupportedEncodingException {

        String s = "你好";  
         
        //服务器端，对汉字字符串进行GBK编码，再使用ISO8859-1进行解码，传输解码后的字符串
        // 编码  
        byte[] gbk = s.getBytes("gbk");  
        // 解码 
        String s3 = new String(gbk, "iso8859-1");
           
        //客户端接收到上s3后，先使用iso8859-1进行编码，再使用gbk进行解码，得到原始字符
        s3 = new String(s3.getBytes("iso8859-1"), "gbk");  
          
        System.out.println(s3);  
            
    }

如果不进行上述操作时，直接传递字符串s，相当于直接传递的是s的ISO8859-1的编码，那么浏览器在接收到s的ISO8859-1的编码后，无论使用任何解码方式都没办法正常解码，出现乱码：

    public static void main(String[] args) throws UnsupportedEncodingException {
        
        //服务器端对s不做任何处理，网络传输时s会被按照iso8859-1进行编码
        String s = "你好";  
        
        //客户端接收到上s的编码二进制后，无论使用GBK还是UTF-8或者其他任一一种编码方式都无法解析出正确的s
        String s3 = new String(s.getBytes("iso8859-1"), "iso8859-1");
        String s4 = new String(s.getBytes("iso8859-1"), "GBK");
        String s5 = new String(s.getBytes("iso8859-1"), "UTF-8");
          
        System.out.println(s3);
        System.out.println(s4);
        System.out.println(s5);
            
    }

所以，在服务器端在发送汉字时，最稳妥的办法时，对汉字使用GBK或者UTF-8(UTF-8字符集也包含汉字)进行编码，最好是使用UTF-8进行编码因为有些浏览器比如Safari不支持GBK而UTF-8大多都支持，再使用ISO8859-1进行解码。这样汉字乱码问题就解决了。