Unicode、UTF－8 和 ISO8859-1到底有什么区别

原文转自：http://blog.sina.com.cn/s/blog_673c81990100t1lc.html

 

本文主要包括如下几个方面：编码基本知识，java，系统软件，url，工具软件等。

    在下面的描述中，将以"中文"两个字为例，经查表能够知道其GB2312编码是"d6d0 cec4"，Unicode编码为"4e2d 6587"，UTF编码就是"e4b8ad e69687"。注意，这两个字没有iso8859-1编码，但能够用iso8859-1编码来"表示"。

2. 编码基本知识

    最先的编码是iso8859-1，和ascii编码类似。但为了方便表示各类各样的语言，逐渐出现了不少标准编码，重要的有以下几个。

2.1. iso8859-1

    属于单字节编码，最多能表示的字符范围是0-255，应用于英文系列。好比，字母a的编码为0x61=97。

很明显，iso8859-1编码表示的字符范围很窄，没法表示中文字符。可是，因为是单字节编码，和计算机最基础的表示单位一致，因此不少时候，仍旧使用iso8859-1编码来表示。并且在不少协议上，默认使用该编码。好比，虽然"中文"两个字不存在iso8859-1编码，以gb2312编码为例，应该是"d6d0 cec4"两个字符，使用iso8859-1编码的时候则将它拆开为4个字节来表示："d6 d0 ce c4"（事实上，在进行存储的时候，也是以字节为单位处理的）。而若是是UTF编码，则是6个字节"e4 b8 ad e6 96 87"。很明显，这种表示方法还须要以另外一种编码为基础。

2.2. GB2312/GBK

    这就是汉子的国标码，专门用来表示汉字，是双字节编码，而英文字母和iso8859-1一致（兼容iso8859-1编码）。其中gbk编码可以用来同时表示繁体字和简体字，而gb2312只能表示简体字，gbk是兼容gb2312编码的。

2.3. unicode

    这是最统一的编码，能够用来表示全部语言的字符，并且是定长双字节（也有四字节的）编码，包括英文字母在内。因此能够说它是不兼容iso8859-1编码的，也不兼容任何编码。不过，相对于iso8859-1编码来讲，uniocode编码只是在前面增长了一个0字节，好比字母a为"00 61"。

须要说明的是，定长编码便于计算机处理（注意GB2312/GBK不是定长编码），而unicode又能够用来表示全部字符，因此在不少软件内部是使用unicode编码来处理的，好比java。

2.4. UTF

    考虑到unicode编码不兼容iso8859-1编码，并且容易占用更多的空间：由于对于英文字母，unicode也须要两个字节来表示。因此unicode不便于传输和存储。所以而产生了utf编码，utf编码兼容iso8859-1编码，同时也能够用来表示全部语言的字符，不过，utf编码是不定长编码，每个字符的长度从1-6个字节不等。另外，utf编码自带简单的校验功能。通常来说，英文字母都是用一个字节表示，而汉字使用三个字节。

注意，虽说utf是为了使用更少的空间而使用的，但那只是相对于unicode编码来讲，若是已经知道是汉字，则使用GB2312/GBK无疑是最节省的。不过另外一方面，值得说明的是，虽然utf编码对汉字使用3个字节，但即便对于汉字网页，utf编码也会比unicode编码节省，由于网页中包含了不少的英文字符。

3. java对字符的处理

    在java应用软件中，会有多处涉及到字符集编码，有些地方须要进行正确的设置，有些地方须要进行必定程度的处理。

3.1. getBytes(charset)

    这是java字符串处理的一个标准函数，其做用是将字符串所表示的字符按照charset编码，并以字节方式表示。注意字符串在java内存中老是按unicode编码存储的。好比"中文"，正常状况下（即没有错误的时候）存储为"4e2d 6587"，若是charset为"gbk"，则被编码为"d6d0 cec4"，而后返回字节"d6 d0 ce c4"。若是charset为"utf8"则最后是"e4 b8 ad e6 96 87"。若是是"iso8859-1"，则因为没法编码，最后返回 "3f 3f"（两个问号）。

3.2. new String(charset)

    这是java字符串处理的另外一个标准函数，和上一个函数的做用相反，将字节数组按照charset编码进行组合识别，最后转换为unicode存储。参考上述getBytes的例子，"gbk" 和"utf8"均可以得出正确的结果"4e2d 6587"，但iso8859-1最后变成了"003f 003f"（两个问号）。

由于utf8能够用来表示/编码全部字符，因此new String( str.getBytes( "utf8" ), "utf8" ) === str，即彻底可逆。

3.3. setCharacterEncoding()

    该函数用来设置http请求或者相应的编码。

对于request，是指提交内容的编码，指定后能够经过getParameter()则直接得到正确的字符串，若是不指定，则默认使用iso8859-1编码，须要进一步处理。参见下述"表单输入"。值得注意的是在执行setCharacterEncoding()以前，不能执行任何getParameter()。java doc上说明：This method must be called prior to reading request parameters or reading input using getReader()。并且，该指定只对POST方法有效，对GET方法无效。分析缘由，应该是在执行第一个getParameter()的时候，java将会按照编码分析全部的提交内容，然后续的getParameter()再也不进行分析，因此setCharacterEncoding()无效。而对于GET方法提交表单是，提交的内容在URL中，一开始就已经按照编码分析全部的提交内容，setCharacterEncoding()天然就无效。

    对于response，则是指定输出内容的编码，同时，该设置会传递给浏览器，告诉浏览器输出内容所采用的编码。