java字符串各种编码

一说到编码，就会想到ASCII、ISO-8859-1、GB2312、GBK、UTF-8、UTF-16这些，那么这些都是表示什么意思呢？相互间有什么关系呢？

参考https://www.cnblogs.com/throwable/p/9188439.html

ASCII

全称是American Standard Code for Information Interchange，中文翻译为美国标准信息交换码。

ASCII是单字节编码系统。标准ASCII使用7位二进制数来表示所有的大写字母、小写字母、数字0-9及英文标点符号等。

2⁷=128，所以ASCII只能表示128个字符。大写字母从十进制值65开始，往后查26个数。小写字母从十进制值97开始，往后查26个数。数字0-9从十进制值48开始，往后查10个数。ASCII不支持中文。

示例：

    public static void main(String[] args) throws Exception {
        String value = "CO2";
        byte[] bytes = value.getBytes("ASCII");
        System.out.println(Arrays.toString(bytes));
        System.out.println(new String(bytes, "ASCII"));
    }

String的getBytes方法把一个字符串转成字节数组，底层实际上是把字符串对应的字符数组转成字节数组。

ISO-8859-1

ISO-8859-1也是单字节编码系统。比ASCII好一点，ISO-9959-1编码范围是[0-255]，其中[0-127]和ASCII一样。也就是说ISO-8859-1是向下兼容ASCII的。ISO-8859-1也不支持中文。

    public static void main(String[] args) throws Exception {
        String value = "CO2";
        byte[] bytes = value.getBytes("ISO-8859-1");
        System.out.println(Arrays.toString(bytes));
        System.out.println(new String(bytes, "ASCII"));
    }

GB2312

GB代表国标，2312是国标序号。这个是中国自己搞出来的编码集。除了收录了数字、大小写英文字母外，主要是收录了6763个汉字。可以满足大部分中文场景下的日常需要。但是要知道，汉字何止仅6763个，如朱镕基总理的镕字就没有收录进去。

    public static void main(String[] args) throws Exception {
        String value = "海贼王";
        byte[] bytes = value.getBytes("GB2312");
        System.out.println(Arrays.toString(bytes));
        System.out.println(new String(bytes, "GB2312"));
    }

GBK

GBK是国标扩展，在GB2312的基础上，总共收录了2w多的汉字。

    public static void main(String[] args) throws Exception {
        String value = "朱镕基";
        byte[] bytes = value.getBytes("GBK");
        System.out.println(Arrays.toString(bytes));
        System.out.println(new String(bytes, "GBK"));
    }

unicode

unicode是国际组织制定的可以容纳世界上所有文字和符号的字符编码方案。unicode是两字节编码，采用两个字节编码一个字符。2¹⁶=65536，所以unicode最多可以编码65536个字符。但是汉字简体加繁体有六七万个，而unicode也就只收录了7000多个汉字，所以单就对中文的支持来说，unicode是比不上GBK的。

    public static void main(String[] args) throws Exception {
        String value = "朱镕基";
        byte[] bytes = value.getBytes("unicode");
        System.out.println(Arrays.toString(bytes));
        System.out.println(new String(bytes, "unicode"));
    }

UTF-8

UTF-8，全称是8-bit Unicode Transformation Format，是可变长的unicode。如上面所说，unicode是定长的，采用2字节编码，所以unocode也称为UTF-16。在处理ISO-8859-1范围的字符时，用2个字节有点浪费，所以就出现了UTF-8。UTF-8使用1-4个字节编码字符。

    public static void main(String[] args) throws Exception {
        String value = "朱镕基";
        byte[] bytes = value.getBytes("UTF-8");
        System.out.println(Arrays.toString(bytes));
        System.out.println(new String(bytes, "UTF-8"));
    }

乱码

如果只是处理英文及数字字符串，永远不会乱码。乱码肯定是处理其他字符时产生的。