字符集和字符编码

字符集和字符编码

字符集：character set，规定了字符和二进制数字之间的对应关系

字符编码：character encoding，规定了二进制数字在计算机上的存储方式，也就是如何将字符集中的数字转换为字节序列

常见的字符集

ASCII：美国信息交换标准码，American Standard Code for Interchange Information，采用一个字节存储数据，规定了128个字符和二进制码之间的对应关系，是现今计算机业界标准

ISO-8859-1：扩展了ASCII字符集，增加了西欧语言的字符，包含256个字符。

Unicode字符集：把世界上常用的语言字符都进行了统一的编码，一个数值就代表一个字符，而且世界范围内公认

常见的字符编码

UTF-8

UTF-8编码：是Unicode字符集的一种编码转换规范，也就是怎么存储Unicode代码点的方案之一，UTF-8是一种变长字节编码方式，加入了多余的标识位来区分一个Unicode代码点。

UTF-8的存储方式：对于某一个字符的UTF-8编码，如果只有一个字节则其最高位是0；如果是多字节，其第一个字节从最高位开始，连续的二进制位，值是1的个数决定了字节的个数，其余各字节均以10开头，UTF-8最多可以用到6各字节，

1字节：0xxxxxxx
2字节：110xxxxx 10xxxxxx
3字节：1110xxxx 10xxxxxx 10xxxxxx
4字节：11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 
5字节：111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 
6字节：1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 

UTF-8中可以用来表示字符编码的实际位数最多有31位，除去控制位，上述x表示的数字和Unicode编码是一一对应的

使用Unicode字符编码来表示字符：

• \ddd：1-3位八进制数所表示的字符；
• \uxxxx： 4位十六进制数所表示的字符

UTF-8中提到的BOM是什么：Byte Order Mark，字节顺序标记，是一个特殊的字符序列，通常出现在文件的开头，帮助文本编辑器或程序正确识别文件的编码方式。对于UTF-8，BOM是一个可选的字节序列，不是必须的，某些编辑器可能不支持BOM

UTF-16

和UTF-8一样，是Unicode字符集的一种编码转换规范，它使用2个或4个字节来表示一个字符，更加适合内存计算，Java语言内部使用UTF-16表示字符串。

char类型是按照Unicode规范实现的一种数据类型，固定两字节，也就是16bit大小

GBK

GB 13000.1-1993的扩展，既是字符集，又是字符编码，作为字符集，它是一个简体中文字符集，作为字符编码，它是一种双字节字符编码，每个字符用两个字节表示