462
java中文亂碼解決之道（三）—–編碼詳情：偉大的創想—Unicode編碼
隨著計算機的發展、普及，世界各國為了適應本國的語言和字符都會自己設計一套自己的編碼風格，正是由於這種亂，導致存在很多種編碼方式，以至於同一個二進製數字可能會被解釋成不同的符號。為了解決這種不兼容的問題，偉大的創想Unicode編碼應時而生！！
Unicode又稱為統一碼、萬國碼、單一碼，它是為了解決傳統的字符編碼方案的局限而產生的，它為每種語言中的每個字符設定了統一並且唯一的二進製編碼，以滿足跨語言、跨平台進行文本轉換、處理的要求。可以想象Unicode作為一個“字符大容器”，它將世界上所有的符號都包含其中，並且每一個符號都有自己獨一無二的編碼，這樣就從根本上解決了亂碼的問題。所以Unicode是一種所有符號的編碼。
Unicode伴隨著通用字符集的標準而發展，同時也以書本的形式對外發表，它是業界的標準，對世界上大部分的文字係統進行了整理、編碼，使得電腦可以用更為簡單的方式來呈現和處理文字。Unicode至今仍在不斷增修，迄今而至已收入超過十萬個字符，它備受業界認可，並廣泛地應用於電腦軟件的國際化與本地化過程。
我們知道Unicode是為了解決傳統的字符編碼方案的局限而產生的，對於傳統的編碼方式而言，他們都存在一個共同的問題：無法支持多語言環境，這對於互聯網這個開放的環境是不允許的。而目前幾乎所有的電腦係統都支持基本拉丁字母，並各自支持不同的其他編碼方式。Unicode為了和它們相互兼容，其首256字符保留給ISO 8859-1所定義的字符，使既有的西歐語係文字的轉換不需特別考量；並且把大量相同的字符重複編到不同的字符碼中去，使得舊有紛雜的編碼方式得以和Unicode編碼間互相直接轉換，而不會丟失任何信息。
一個字符的Unicode編碼是確定的，但是在實際傳輸過程中，由於不同係統平台的設計不一定一致，以及出於節省空間的目的，對Unicode編碼的實現方式有所不同。Unicode的實現方式稱為Unicode轉換格式（Unicode Transformation Format，簡稱為UTF）。
Unicode是字符集，它主要有UTF-8、UTF-16、UTF-32三種實現方式。由於UTF-8是目前主流的實現方式，UTF-16、UTF-32相對而言使用較少，所以下麵就主要介紹UTF-8。
提到Unicode可能有必要了解下，UCS。UCS（Universal Character Set，通用字符集），是由ISO製定的ISO 10646（或稱ISO/IEC 10646）標準所定義的標準字符集。它包括了其他所有字符集，保證了與其他字符集的雙向兼容，即，如果你將任何文本字符串翻譯到UCS格式，然後再翻譯回原編碼，你不會丟失任何信息。
UCS不僅給每個字符分配一個代碼，而且賦予了一個正式的名字。表示一個UCS或Unicode值的十六進製數通常在前麵加上“U+”，例如“U+0041”代表字符“A”。
由於各個係統平台的設計不同，可能會導致某些平台對字符的理解不同（比如字節順序的理解）。這時將會導致同意字節流可能會被解釋為不同的內容。如某個字符的十六進製為4E59，拆分為4E、59，在MAC上讀取時是歐諾個低位開始的，那麼MAC在遇到該字節流時會被解析為594E，找到的字符為“奎”，但是在Windows平台是從高字節開始讀取，為4E59，找到的字符為“乙”。也就是說在Windows平台保存的“乙”跑到MAC平台上就變成了“奎”。這樣勢必會引起混亂，於是在Unicode編碼中采用了大頭（Big endian）、小頭（Little endian）兩種方式來進行區分。即第一個字節在前，就是大頭方式，第二個字節在前就是小頭方式。那麼這個時候就出現了一個問題：計算機怎麼知道某個文件到底是采用哪種編碼方式的呢？
Unicode規範中定義，每一個文件的最前麵分別加入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，而且FF比FE大1。
如果一個文本文件的頭兩個字節是FE FF，就表示該文件采用大頭方式；如果頭兩個字節是FF FE，就表示該文件采用小頭方式。
UTF-8是一種針對Unicode的可變長度字符編碼,可以使用1~4個字節表示一個符號，根據不同的符號而變化字節長度。它可以用來表示Unicode標準中的任何字符，且其編碼中的第一個字節仍與ASCII兼容，這使得原來處理ASCII字符的係統無須或隻須做少部份修改，即可繼續使用。因此，它逐漸成為電子郵件、網頁及其他存儲或傳送文字的應用中，優先采用的編碼。
UTF-8使用一到四個字節為每個字符編碼，編碼規則如下：
1）對於單字節的符號，字節的第一位設為0，後麵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字節的符號（n>1），第一個字節的前n位都設為1，第n+1位設為0，後麵字節的前兩位一律設為10。剩下的沒有提及的二進製位，全部為這個符號的unicode碼。
轉換表如下：
根據上麵的轉換表，理解UTF-8的轉換編碼規則就變得非常簡單了：第一個字節的第一位如果為0，則表示這個字節單獨就是一個字符;如果為1，連續多少個1就表示該字符占有多少個字節。
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編碼需要三個字節，即格式是”1110xxxx 10xxxxxx 10xxxxxx”。然後，從”嚴”的最後一個二進製位開始，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″，轉換成十六進製就是E4B8A5。
通過上麵的例子我們可以看到”嚴”的Unicode碼為4E25，UTF-8編碼為E4B8A5，他們兩者是不一樣的，需要通過程序的轉換來實現，在Window平台最簡單的直觀的方法就是記事本。
在最下麵的”編碼（E）”處有四個選項：ANSI、Unicode、Unicode big endian、UTF-8。
ANSI：記事本的默認的編碼方式，對於英文文件是ASCII編碼，對於簡體中文文件是GB2312編碼。注意：不同 ANSI 編碼之間互不兼容，當信息在國際間交流時，無法將屬於兩種語言的文字，存儲在同一段 ANSI 編碼的文本中
Unicode：UCS-2編碼方式，即直接用兩個字節存入字符的Unicode碼。該方式是”小頭”little endian方式。
Unicode big endian：UCS-2編碼方式，”大頭”方式。
UTF-8：閱讀上麵（UTF-8）。
實例：在記事本中輸入”嚴”字，依次選擇ANSI、Unicode、Unicode big endian、UTF-8四種編碼風格，然後另存為，使用EditPlus文本工具使用”16進製查看器”進行查看，得到如下結果：
ANSI：兩個字節”D1 CF”正是”嚴”的GB2312編碼。
Unicode：四個字節”FF FE 25 4E”，其中”FF FE”表示小頭存儲方式，真正的編碼為”25 4E”。
Unicode big endian：四個字節”FE FF 4E 25″，”FE FF”表示大頭存儲方式，真正編碼為”4E 25″。
UTF-8：編碼是六個字節”EF BB BF E4 B8 A5″，前三個字節”EF BB BF”表示這是UTF-8編碼，後三個”E4B8A5″就是”嚴”的具體編碼，它的存儲順序與編碼順序是一致的。
最後更新：2017-07-06 17:02:27