【Java基础】IO流（二）字符集知识

news2024/12/25 15:12:56

字符集知识

1、GBK字符集

2、Unicode字符集（万国码）

3、乱码

4、Java中编码和解码的方法

字符集知识

字符（Character）：在计算机和电信技术中，一个字符是一个单位的字形、类字形单位或符号的基本信息。说的简单点字符是各种文字和符号的总称。一个字符可以是一个中文汉字、一个英文字母、一个阿拉伯数字、一个标点符号、一个图形符号或者控制符号等。

字符集（Character Set）：是指多个字符的集合。不同的字符集包含的字符个数不一样、包含的字符不一样、对字符的编码方式也不一样。

计算机中常见的几种字符集：

        1、GB2312字符集：1980年发布，1981年5月1日实施的简体中文汉字编码国家标准。
收录7445个图形字符，其中包括6763个简体汉字

        2、BIG5字符集：台湾地区繁体中文标准字符集，共收录13053个中文字，1984年实施。

        3、GBK字符集：2000年3月17日发布，收录21003个汉字，包含国家标准GB 13000-1中的全部中日韩汉字，和BIG5编码中的所有汉字。简体中文版windows系统默认使用的就是GBK。系统显示：ANSI （统称为ANSI）；GBK字符集完全兼容ASCII字符集

        4、Unicode字符集：国际标准字符集，它将世界各种语言的每个字符定义一个唯一的编码，以满足跨语言、跨平台的文本信息转换。

1、GBK字符集

（1）计算机的存储规则(英文)(GBK)，英文用一个字节存储，完全兼容ASCII

（2）计算机的存储规则(汉字)(GBK)，规则1:汉字两个字节存储；规则2:高位字节二进制一定以1开头，转成十进制之后是一个负数

（3）英文与汉字区分：GBK当中，英文是用一个字节进行存储的，它是兼容ASCII字符集的，在编码的时候二进制前面要补零，所以英文一个字节二进制一定是以0作为开头的，而中文是两个字节，一定是以1作为开头的，那么底层的二进制文件也是通过这个规则来区分中文和英文的

2、Unicode字符集（万国码）

Unicode的编码规则：UTF（Unicode Transfer Format）

UTF-16编码规则：用2~4个字节保存

UTF-32编码规则：固定使用四个字节保存

UTF-8编码规则：用1~4个字节保存

UTF-8编码规则

1个字节表示：ASCII

2个字节表示：拉丁文；希腊文；西里尔字母；亚美尼亚语；

希伯来文；阿拉伯文；叙利亚文

3个字节表示：中日韩文字；东南亚文字；中东文字

4个字节表示：其他语言

示例：把汉字“汉”用UTF-8转换成二进制为 11100110 10110001 10001001

二进制中的红色部分是UTF-8规定要添加的，而黑色的就是用Unicode中查询的汉字对应二进制进行填补得到的结果

总结：Unicode字符集的UTF-8编码格式

一个英文占一个字节，二进制第一位是0，转成十进制是正数

一个中文占三个字节，二进制第一位是1，第一个字节转成十进制是负数

3、乱码

乱码的原因：

原因1：读取数据时未读完整个汉字，因为字节流是一次读取一个字节，而汉字是用两个字节来存储的，当字节流只读取了一个字节后，把这个字节解码去字符集却查不到对应的数据，所以系统就会显示问号或方框等，这时候就是乱码了。

原因2：编码和解码时的方式不统一，比如一个汉字在编码时用的是UTF-8，而在解码时却用GBK解码，因为UTF-8中用三个字节来存储汉字，而GBK中用两个字节来存储汉字，所以在解码后就会发生乱码。

防止乱码的做法：

1、不要用字节流读取文本文件

2、编码和解码时都使用同一个码表，同一种编码方式

4、Java中编码和解码的方法

Java中编码的方法

public byte[ ] getBytes()	使用默认方式进行编码
public byte[ ] getBytes(String charsetName)	使用指定方式进行编码

Java中解码的方法

String(byte[ ] bytes)	使用默认方式进行解码
String(byte[ ] bytes, String charsetName)	使用指定方式进行解码

方法示例代码：

public static void main(String[] args) throws UnsupportedEncodingException {
    //使用默认方式进行编码
    String str1 = "ai你哟";
    byte[] bytes1 = str1.getBytes();
    System.out.println(Arrays.toString(bytes1));//[97, 105, -28, -67, -96, -27, -109, -97]
    //使用指定方式GBK进行编码
    byte[] bytes2 = str1.getBytes("GBK");
    System.out.println(Arrays.toString(bytes2));//[97, 105, -60, -29, -45, -76]

    //使用默认方式进行解码
    String str2 = new String(bytes1);
    System.out.println(str2);//ai你哟
    //使用指定方式GBK进行解码
    String str3 = new String(bytes2,"GBK");
    System.out.println(str3);//ai你哟
    //编码时用UTF-8得到的bytes1，却用GBK进行解码
    String str4 = new String(bytes1, "GBK");
    System.out.println(str4);//结果为：ai浣犲摕    很明显，乱码了
}

运行结果：

了解字符集知识就可以更好的理解字符流了

推荐：

【java基础】IO流（一）：字节流的FileOutputStream（文件字节输出流）和 Filelnputstream（文件字节输入流）-CSDN博客https://blog.csdn.net/m0_65277261/article/details/136631816?spm=1001.2014.3001.5501【java基础】异常处理机制-CSDN博客https://blog.csdn.net/m0_65277261/article/details/136581375?spm=1001.2014.3001.5501【计算机网络】DHCP原理与配置-CSDN博客https://blog.csdn.net/m0_65277261/article/details/136230649?spm=1001.2014.3001.5501