************************背景結束。正文開始************************

事實上關於上面引用類型如：String，還有常見集合有非常多細化知識點，本篇寫不完。

看下問題的簡單回答：

簡單漢字：utf-8 的漢字占3個字節  gbk 是兩個字節。 
 

  先了解下主要的單位：
1、比特（bit）即一個二進制位。比如100011就是6比特。
2、字節（byte）。這是計算機中數據類型最主要的單位了，8bit組成1byte。 為什麽要編碼？原因就是：  1）一個字節一共能夠用來表示256種不同的狀態，每個狀態相應一個符號，就是256個符號，從0000000到11111111。 2）表示的符號太多，無法用一個字節來全然表示。要解決這個矛盾必須須要一個新的數據結構 char，從 char 到 byte 必須編碼。

以下介紹下常見的編碼規則，所謂的規則就是為轉換成計算機所能理解的語言。
ASCII 碼
學過計算機的人都知道 ASCII 碼。總共同擁有 128 個，用一個字節的低 7 位表示，0~31 是控制字符如換行回車刪除等。32~126 是打印字符。能夠通過鍵盤輸入並且能夠顯示出來。這128個符號（包括32個不能打印出來的控制符號），僅僅占用了一個字節的後面7位，最前面的1位統一規定為0。
ISO-8859-1
128 個字符顯然是不夠用的，於是 ISO 組織在 ASCII 碼基礎上又制定了一些列標準用來擴展 ASCII 編碼，它們是 ISO-8859-1~ISO-8859-15。當中 ISO-8859-1 涵蓋了大多數西歐語言字符，全部應用的最廣泛。ISO-8859-1 仍然是單字節編碼，它總共能表示 256 個字符。
GB2312
它的全稱是《信息交換用漢字編碼字符集 基本集》。它是雙字節編碼，總的編碼範圍是 A1-F7，當中從 A1-A9 是符號區，總共包括 682 個符號，從 B0-F7 是漢字區，包括 6763 個漢字。
GBK
全稱叫《漢字內碼擴展規範》。是國家技術監督局為 windows95 所制定的新的漢字內碼規範，它的出現是為了擴展 GB2312，增加很多其它的漢字，它的編碼範圍是 8140~FEFE（去掉 XX7F）總共同擁有 23940 個碼位，它能表示 21003 個漢字，它的編碼是和 GB2312 兼容的，也就是說用 GB2312 編碼的漢字能夠用 GBK 來解碼，並且不會有亂碼。
UTF-16
說到 UTF 必須要提到 Unicode（Universal Code 統一碼），ISO 試圖想創建一個全新的超語言字典。世界上全部的語言都能夠通過這本字典來相互翻譯。
可想而知這個字典是多麽的復雜，關於 Unicode 的具體規範能夠參考相應文檔。
Unicode 是 Java 和 XML 的基礎，以下具體介紹 Unicode 在計算機中的存儲形式。須要註意的是，Unicode僅僅是一個符號集，它僅僅規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該怎樣存儲。
比方，漢字"嚴"的unicode是十六進制數4E25，轉換成二進制數足足有15位（100111000100101）。也就是說這個符號的表示至少須要2個字節。表示其它更大的符號，可能須要3個字節或者4個字節。甚至很多其它。
UTF-16 具體定義了 Unicode 字符在計算機中存取方法。UTF-16 用兩個字節來表示 Unicode 轉化格式。這個是定長的表示方法，任何字符都能夠用兩個字節表示，兩個字節是 16 個 bit，所以叫 UTF-16。UTF-16 表示字符非常方便。每兩個字節表示一個字符，這個在字符串操作時就大大簡化了操作。這也是 Java 以 UTF-16 作為內存的字符存儲格式的一個非常重要的原因。
UTF-8
UTF-16 統一採用兩個字節表示一個字符，盡管在表示上非常easy方便，可是也有其缺點，有非常大一部分字符用一個字節就能夠表示的如今要兩個字節表示，存儲空間放大了一倍，在如今的網絡帶寬還非常有限的今天。這樣會增大網絡傳輸的流量，並且也不是必需。而 UTF-8 採用了一種變長技術，每個編碼區域有不同的字碼長度。
不同類型的字符能夠是由 1~6 個字節組成。
UTF-8 有以下編碼規則：
假設一個字節，最高位（第 8 位）為 0，表示這是一個 ASCII 字符（00 - 7F）。
可見。全部 ASCII 編碼已經是 UTF-8 了。
假設一個字節。以 11 開頭，連續的 1 的個數暗示這個字符的字節數，比如：110xxxxx 代表它是雙字節 UTF-8 字符的首字節。
反復一遍，這裏的關系是，UTF-8是Unicode的實現方式之中的一個。
下表總結了編碼規則，字母x表示可用編碼的位。
Unicode符號範圍 | UTF-8編碼方式
(十六進制) | （二進制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
在 Java 開發中除了 I/O 涉及到編碼外。最經常使用的應該就是在內存中進行字符到字節的數據類型的轉換。
上面介紹了常見的編碼格式，以下結合樣例看看java中編解碼方式：
我們一漢字“嚴”為例進行測試。
public class LengthTest {

	public static void main(String[] args) throws Exception{
		String name = "嚴";
		byte[] utf8 = name.getBytes("UTF-8");
		System.out.println(utf8.length);	   
		System.out.print("UTF8:");toHex(utf8);
	    byte[] gbk = name.getBytes("GBK");
	    System.out.print("GBK:");toHex(gbk);
	    String unicodeStr =Integer.toHexString("嚴".charAt(0) );
	    System.out.println("unicode:"+unicodeStr); // 
	    //unicode轉漢字
	    StringBuffer sb = new StringBuffer();  
	    String str[] = unicodeStr.toUpperCase().split("U");  
	    for(int i=0;i<str.length;i++){  
	      if(str[i].equals("")) continue;  
	      char c = (char)Integer.parseInt(str[i].trim(),16);  
	      sb.append(c);  
	    }  
	    System.out.println(sb.toString());	
	}
	public static void toHex(byte[] b) {
        for (int i = 0; i < b.length; i++) {
            System.out.printf("%x " , b[i]);
        }
        System.out.println();
    }
}
我們把 name 字符串依照前面說的幾種編碼格式進行編碼轉化成 byte 數組，然後以 16 進制輸出，我們先看一下 Java 是怎樣進行編碼的。
首先依據指定的 charsetName 通過 Charset.forName(charsetName) 設置 Charset 類，然後依據 Charset 創建 CharsetEncoder 對象。再調用 CharsetEncoder.encode 對字符串進行編碼，不同的編碼類型都會相應到一個類中，實際的編碼過程是在這些類中完畢的。以下是 String. getBytes(charsetName) 編碼過程的時序圖以下是相應的StringCoding的代碼：
static byte[] encode(String charsetName, char[] ca, int off, int len)
        throws UnsupportedEncodingException
    {
        StringEncoder se = deref(encoder);
        String csn = (charsetName == null) ? "ISO-8859-1" : charsetName;
        if ((se == null) || !(csn.equals(se.requestedCharsetName())
                              || csn.equals(se.charsetName()))) {
            se = null;
            try {
                Charset cs = lookupCharset(csn);
                if (cs != null)
                    se = new StringEncoder(cs, csn);
            } catch (IllegalCharsetNameException x) {}
            if (se == null)
                throw new UnsupportedEncodingException (csn);
            set(encoder, se);
        }
        return se.encode(ca, off, len);
    }
從上圖能夠看出依據 charsetName 找到 Charset 類，然後依據這個字符集編碼生成 CharsetEncoder。這個類是全部字符編碼的父類。針對不同的字符編碼集在其子類中定義了怎樣實現編碼，有了 CharsetEncoder 對象後就能夠調用 encode 方法去實現編碼了。這個是 String.getBytes 編碼方法。其它的如 StreamEncoder 中也是相似的方式。以下看看不同的字符集是怎樣將前面的字符串編碼成 byte 數組的？依照GBK方式： 
以下是大神 君山寫的，我在jdk源代碼找不到相應查表規則，僅僅有c2b接口。
GB2312 相應的 Charset 是 sun.nio.cs.ext. EUC_CN 而相應的 CharsetDecoder 編碼類是 sun.nio.cs.ext. DoubleByte，GB2312 字符集有一個 char 到 byte 的碼表，不同的字符編碼就是查這個碼表找到與每個字符的相應的字節，然後拼裝成 byte 數組。查表的規則例如以下：
 c2b[c2bIndex[char >> 8] + (char & 0xff)]
GBK 編碼是兼容 GB2312 編碼的。它們的編碼算法也是一樣的。
不同的是它們的碼表長度不一樣。GBK 包括的漢字字符很多其它。
所以僅僅要是經過 GB2312 編碼的漢字都能夠用 GBK 進行解碼，反過來則不然。依照utf-8格式編碼： 為加深理解：對照上面utf-8編碼表。已知"嚴"的unicode是4E25，相應二進制（100111000100101），依據上表，能夠發現4E25處在第三行的範圍內（0000 0800-0000 FFFF），因此"嚴"的UTF-8編碼須要三個字節，即格式是"1110xxxx 10xxxxxx 10xxxxxx"。
然後。從"嚴"的最後一個二進制位開始。依次從後向前填入格式中的x。多出的位補0。這樣就得到了。"嚴"的UTF-8編碼是"11100100 10111000 10100101"，轉換成十六進制就是E4B8A5。 以下結合代碼執行結果，能夠更好的理解  至此。能夠理解題目的答案了。

事實上Windows平臺還有一個簡單的辦法，就是記事本能夠輔助實現不同編碼轉換。

打開文件後。點擊"文件"菜單中的"另存為"命令，會跳出一個對話框。在最底部有一個"編碼"的下拉條。
裏面有四個選項：ANSI。Unicode，Unicode big endian 和 UTF-8。
1）ANSI是默認的編碼方式。對於英文文件是ASCII編碼。對於中文簡體文件是GB2312編碼（僅僅針對Windows中文簡體版，假設是繁體中文版會採用Big5碼）。
2）Unicode編碼指的是UCS-2編碼方式，即直接用兩個字節存入字符的Unicode碼。
這個選項用的little endian格式。
3）Unicode big endian編碼與上一個選項相相應。我在下一節會解釋little endian和big endian的涵義。
4）UTF-8編碼，也就是上一節談到的編碼方法。
選擇完"編碼方式"後，點擊"保存"button，文件的編碼方式就立馬轉換好了。
7. Little endian和Big endian
上一節已經提到，Unicode碼能夠採用UCS-2格式直接存儲。
以漢字"嚴"為例，Unicode碼是4E25。須要用兩個字節存儲，一個字節是4E。還有一個字節是25。
存儲的時候。4E在前，25在後，就是Big endian方式；25在前，4E在後，就是Little endian方式。
這兩個古怪的名稱來自英國作家斯威夫特的《格列佛遊記》。在該書中，小人國裏爆發了內戰。戰爭起因是人們爭論。吃雞蛋時究竟是從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開。為了這件事情。前後爆發了六次戰爭，一個皇帝送了命。還有一個皇帝丟了王位。
因此，第一個字節在前，就是"大頭方式"（Big endian）。第二個字節在前就是"小頭方式"（Little endian）。
那麽非常自然的，就會出現一個問題：計算機怎麽知道某一個文件究竟採用哪一種方式編碼？
Unicode規範中定義，每個文件的最前面分別增加一個表示編碼順序的字符，這個字符的名字叫做"零寬度非換行空格"（ZERO WIDTH NO-BREAK SPACE）。用FEFF表示。這正好是兩個字節。並且FF比FE大1。
假設一個文本文件的頭兩個字節是FE FF，就表示該文件採用大頭方式；假設頭兩個字節是FF FE，就表示該文件採用小頭方式。

*****************************

幾種編碼格式的比較
對中文字符後面四種編碼格式都能處理，GB2312 與 GBK 編碼規則相似，可是 GBK 範圍更大，它能處理全部漢字字符。所以 GB2312 與 GBK 比較應該選擇 GBK。UTF-16 與 UTF-8 都是處理 Unicode 編碼。它們的編碼規則不太同樣，相對來說 UTF-16 編碼效率最高，字符到字節相互轉換更簡單，進行字符串操作也更好。它適合在本地磁盤和內存之間使用，能夠進行字符和字節之間高速切換，如 Java 的內存編碼就是採用 UTF-16 編碼。可是它不適合在網絡之間傳輸，由於網絡傳輸easy損壞字節流，一旦字節流損壞將非常難恢復，想比較而言 UTF-8 更適合網絡傳輸，對 ASCII 字符採用單字節存儲，另外單個字符損壞也不會影響後面其它字符，在編碼效率上介於 GBK 和 UTF-16 之間，所以 UTF-8 在編碼效率上和編碼安全性上做了平衡，是理想的中文編碼方式。
有些扯遠了。理解了這些，也就不easy出現亂碼問題。
另外知乎上大神給出了“內碼”“外碼”的概念，更加easy理解.
https://www.zhihu.com/question/27562173/answer/37188642

參考：

http://www.cnblogs.com/bluestorm/archive/2012/07/30/2615034.html

http://www.ibm.com/developerworks/cn/java/j-lo-chinesecoding/