系列（6）Java 中的字元編碼方式
1、ASCII 碼
我們知道，在計算機內部，所有的資訊最終都表示為一個二進位制的字串。每一個二進位制位（bit）有 0 和 1 兩種狀態，因此八個二進位制位就可以組合出 256 種狀態，這被稱為一個位元組（byte）。也就是說，一個位元組一共可以用來表示 256 種不同的狀態，每一個狀態對應一個符號，就是 256 個符號，從 0000000 到 11111111。
上個世紀 60 年代，美國製定了一套字元編碼，對英語字元與二進位制位之間的關係，做了統一規定。這被稱為 ASCII 碼，一直沿用至今。
ASCII 碼一共規定了 128 個字元的編碼，比如空格 "SPACE" 是 32（二進位制 00100000），大寫的字母 A 是 65（二進位制01000001）。這 128 個符號（包括 32 個不能打印出來的控制符號），只佔用了一個位元組的後面 7 位，最前面的 1 位統一規定為 0。0~31 是控制字元如換行回車刪除等，32~126 是列印字元，可以通過鍵盤輸入並且能夠顯示出來。
2、非 ASCII 編碼
英語用 128 個符號編碼就夠了，但是用來表示其他語言，128 個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用 ASCII 碼錶示。於是，一些歐洲國家就決定，利用位元組中閒置的最高位編入新的符號。比如，法語中的 é 的編碼為 130（二進位制 10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多 256 個符號。
但是，這裡又出現了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用 256 個符號的編碼方式，代表的字母卻不一樣。比如，130 在法語編碼中代表了 é，在希伯來語編碼中卻代表了字母 Gimel (ג)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0—127 表示的符號是一樣的，不一樣的只是 128—255 的這一段。
至於亞洲國家的文字，使用的符號就更多了，漢字就多達 10 萬左右。一個位元組只能表示 256 種符號，肯定是不夠的，就必須使用多個位元組表達一個符號。比如，簡體中文常見的編碼方式是 GB2312，使用兩個位元組表示一個漢字，所以理論上最多可以表示 256x256=65536 個符號。
這裡只指出，雖然都是用多個位元組表示一個符號，但是 GB 類的漢字編碼與後文的 Unicode 和 UTF-8 是毫無關係的。
3、Unicode
正如上一節所說，世界上存在著多種編碼方式，同一個二進位制數字可以被解釋成不同的符號。因此，要想開啟一個文字檔案，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什麼電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。
可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那麼亂碼問題就會消失。這就是 Unicode，就像它的名字都表示的，這是一種所有符號的編碼。
Unicode 當然是一個很大的集合，現在的規模可以容納 100 多萬個符號。每個符號的編碼都不一樣，比如，U+0639 表示阿拉伯字母 Ain，U+0041 表示英語的大寫字母 A，U+4E25 表示漢字“嚴”。具體的符號對應表，可以查詢 unicode.org，或者專門的漢字對應表。
4、Unicode 存在的問題
需要注意的是，Unicode 只是一個符號集，它只規定了符號的二進位制程式碼，卻沒有規定這個二進位制程式碼應該如何儲存。
比如，漢字“嚴”的 unicode 是十六進位制數 4E25，轉換成二進位制數足足有 15 位（100111000100101），也就是說這個符號的表示至少需要 2 個位元組。表示其他更大的符號，可能需要 3 個位元組或者 4 個位元組，甚至更多。
這裡就有兩個嚴重的問題，第一個問題是，如何才能區別 unicode 和 ascii？計算機怎麼知道三個位元組表示一個符號，而不是分別表示三個符號呢？第二個問題是，我們已經知道，英文字母只用一個位元組表示就夠了，如果 unicode 統一規定，每個符號用三個或四個位元組表示，那麼每個英文字母前都必然有二到三個位元組是 0，這對於儲存來說是極大的浪費，文字檔案的大小會因此大出二三倍，這是無法接受的。
它們造成的結果是：
1）出現了 unicode 的多種儲存方式，也就是說有許多種不同的二進位制格式，可以用來表示 unicode。
2）unicode 在很長一段時間內無法推廣，直到網際網路的出現。
5、UTF-8
網際網路的普及，強烈要求出現一種統一的編碼方式。UTF-8 就是在網際網路上使用最廣的一種 unicode 的實現方式。其他實現方式還包括 UTF-16 和 UTF-32，不過在網際網路上基本不用。重複一遍，這裡的關係是，UTF-8 是 Unicode 的實現方式之一。
UTF-8（8-bit Unicode Transformation Format）是一種針對Unicode的可變長度字元編碼，又稱萬國碼。由 Ken Thompson 於 1992 年建立。現在已經標準化為 RFC 3629。UTF-8 用 1 到 4 個位元組編碼 Unicode 字元。用在網頁上可以統一頁面顯示中文簡體繁體及其它語言（如英文，日文，韓文）。
UTF-8 最大的一個特點，就是它是一種變長的編碼方式。它可以使用 1~4 個位元組表示一個符號，根據不同的符號而變化位元組長度。
UTF-8 的編碼規則很簡單，只有二條：
1）對於單位元組的符號，位元組的第一位設為 0，後面 7 位為這個符號的 unicode 碼。因此對於英語字母，UTF-8 編碼和 ASCII 碼是相同的。
2）對於 n 位元組的符號（n>1），第一個位元組的前 n 位都設為 1，第 n+1 位設為 0，後面位元組的前兩位一律設為 10。剩下的沒有提及的二進位制位，全部為這個符號的 unicode 碼。
下表總結了編碼規則，字母 x 表示可用編碼的位。
image
下面， 還是以漢字“嚴”為例，演示如何實現 UTF-8 編碼。
已知“嚴”的 unicode 是 4E25（100111000100101），根據上表，可以發現 4E25 處在第三行的範圍內（0000 0800-0000 FFFF），因此“嚴”的 UTF-8 編碼需要三個位元組，即格式是 “1110xxxx 10xxxxxx 10xxxxxx”。然後，從“嚴”的最後一個二進位制位開始，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”，轉換成十六進位制就是 E4B8A5。
6、Unicode 與 UTF-8 之間的轉換
通過上一節的例子，可以看到“嚴”的 Unicode 碼是 4E25，UTF-8 編碼是 E4B8A5，兩者是不一樣的。它們之間的轉換可以通過程式實現。
在 Windows 平臺下，有一個最簡單的轉化方法，就是使用內建的記事本小程式 Notepad.exe。開啟檔案後，點選“檔案”選單中的“另存為”命令，會跳出一個對話方塊，在最底部有一個“編碼”的下拉條。
7、iso8859-1 編碼
屬於單位元組編碼，最多能表示的字元範圍是 0-255，應用於英文系列。比如，字母 a 的編碼為 0×61=97.很明顯，iso8859-1 編碼表示的字元範圍很窄，無法表示中文字元。但是，由於是單位元組編碼，和計算機最基礎的表示單位一致，所以很多時候，仍舊使用 iso8859-1 編碼來表示。而且在很多協議上，預設使用該編碼。比如，雖然"中文"兩個字不存在 iso8859-1 編碼，以 gb2312 編碼為例，應該是 "d6d0 cec4" 兩個字元，使用 iso8859-1 編碼的時候則將它拆開為 4 個位元組來表示："d6 d0 ce c4"（事實上，在進行儲存的時候，也是以位元組為單位處理的）。而如果是 UTF 編碼，則是 6 個位元組 "e4 b8 ad e6 96 87".很明顯，這種表示方法還需要以另一種編碼為基礎。