位、字节、字符、编码的区别及编码问题解析

布满荆棘的人生 2022-05-14 05:08 220阅读 0赞

# 一、定义 #

## 1.1、位 ##

数据存储的最小单元，每个二进制数字0或1就是1个位（bit）

## 1.2、字节 ##

1个字节（byte）由8个位（bit）构成

1byte = 8 bit

1KB = 1024 B（字节）

## 1.3、字符 ##

'1'，'子'，'￥'，'\#' 都表示一个字符。

在Java 语言中，字符用char 表示。

## 1.4、字符集 ##

字面意思就是一些字符的集合，比如多少汉字的一个集合，就是字符集。

UNICODE 字符集 ：**包含了各种语言中使用到的所有“字符 ”**。用来给UNICODE 字符集编码的标准有很多种，比如：UTF-8，UTF-7，UTF-16，UnicodeLittlle，UnicodeBig 等

## 1.5、编码 ##

字符和字节的映射关系，一个字符用多少个字节表示，用那些字节来表示。对应着字符集 和 字节的映射关系。

# 二、为什么会产生编码问题 #

## 2.1 字符和编码的发展 ##

从计算机对多国语言的支持角度看，大致可以分为三个阶段：

<table> 
 <tbody> 
 <tr> 
 <td>　</td> 
 <td>系统内码</td> 
 <td>说明</td> 
 <td>系统</td> 
 </tr> 
 <tr> 
 <td>阶段一</td> 
 <td>ASCII</td> 
 <td>计算机刚开始只支持英语，其它语言不能够在计算机上存储和显示。</td> 
 <td>英文 DOS</td> 
 </tr> 
 <tr> 
 <td>阶段二</td> 
 <td>ANSI编码 （本地化）</td> 
 <td>为使计算机支持更多语言，通常使用 0x80~0xFF 范围的 2 个字节来表示 1 个字符。比如：汉字 '中' 在中文操作系统中，使用 [0xD6,0xD0] 这两个字节存储。 不同的国家和地区制定了不同的标准，由此产生了 GB2312, BIG5, JIS 等各自的编码标准。这些使用 2 个字节来代表一个字符的各种汉字延伸编码方式，称为&nbsp;ANSI 编码。在简体中文系统下，ANSI 编码代表 GB2312 编码，在日文操作系统下，ANSI 编码代表 JIS 编码。 不同 ANSI 编码之间互不兼容，当信息在国际间交流时，无法将属于两种语言的文字，存储在同一段&nbsp;ANSI 编码的文本中。</td> 
 <td>中文 DOS，中文 Windows 95/98，日文 Windows 95/98</td> 
 </tr> 
 <tr> 
 <td>阶段三</td> 
 <td>UNICODE （国际化）</td> 
 <td>为了使国际间信息交流更加方便，国际组织制定了&nbsp;UNICODE 字符集，为各种语言中的每一个字符设定了统一并且唯一的数字编号，以满足跨语言、跨平台进行文本转换、处理的要求。</td> 
 <td>Windows NT/2000/XP，Linux，Java</td> 
 </tr> 
 </tbody> 
</table>

字符串在内存中的存放方法：

在 ASCII 阶段，**单字节字符串**使用一个字节存放一个字符（SBCS）。比如，"Bob123" 在内存中为：

42 6F 62 31 32 33 00
    __ __ __ __ __ __ __
    
    B  o  b  1  2  3  \0

在使用 ANSI 编码支持多种语言阶段，**每个字符使用一个字节或多个字节**来表示（MBCS），因此，这种方式存放的字符也被称作**多字节字符**。比如，"中文123" 在中文 Windows 95 内存中为7个字节，每个汉字占2个字节，每个英文和数字字符占1个字节：

D6D0  CEC4  31  32  33  00
    ____  ____  __  __  __  __
    
    中    文    1   2   3   \0

在 UNICODE 被采用之后，计算机存放字符串时，改为存放**每个字符在 UNICODE 字符集中的****序号**。目前计算机一般使用 2 个字节（16 位）来存放一个序号（DBCS），因此，这种方式存放的字符也被称作**宽字节字符**。比如，字符串 "中文123" 在 Windows 2000 下，内存中实际存放的是 5 个**序号**：

2D 4E  87 65  31 00  32 00  33 00  00 00
    _____  _____  _____  _____  _____  _____
    
    中     文     1      2      3      \0

一共占 10 个字节。

## 2.2 常用的编码简介 ##

我们根据编码规则的特点，把所有的编码分成三类：

<table> 
 <tbody> 
 <tr> 
 <td>分类</td> 
 <td>编码标准</td> 
 <td>说明</td> 
 </tr> 
 <tr> 
 <td>单字节字符编码</td> 
 <td>ISO-8859-1</td> 
 <td>最简单的编码规则，每一个字节直接作为一个 UNICODE 字符。比如，[0xD6, 0xD0] 这两个字节，通过 iso-8859-1 转化为字符串时，将直接得到 [0x00D6, 0x00D0] 两个 UNICODE 字符，即 "ÖÐ"。 反之，将 UNICODE 字符串通过 iso-8859-1 转化为字节串时，只能正常转化 0~255 范围的字符。</td> 
 </tr> 
 <tr> 
 <td>ANSI 编码</td> 
 <td>GB2312, BIG5, Shift_JIS, ISO-8859-2 ……</td> 
 <td>把 UNICODE 字符串通过 ANSI 编码转化为“字节串”时，根据各自编码的规定，一个 UNICODE 字符可能转化成一个字节或多个字节。 反之，将字节串转化成字符串时，也可能多个字节转化成一个字符。比如，[0xD6, 0xD0] 这两个字节，通过 GB2312 转化为字符串时，将得到 [0x4E2D] 一个字符，即 '中' 字。 “ANSI 编码”的特点： 1. 这些“ANSI 编码标准”都只能处理各自语言范围之内的 UNICODE 字符。 2. “UNICODE 字符”与“转换出来的字节”之间的关系是人为规定的。</td> 
 </tr> 
 <tr> 
 <td>UNICODE 编码</td> 
 <td>UTF-8, UTF-16, UnicodeBig ……</td> 
 <td>与“ANSI 编码”类似的，把字符串通过 UNICODE 编码转化成“字节串”时，一个 UNICODE 字符可能转化成一个字节或多个字节。 与“ANSI 编码”不同的是： 1. 这些“UNICODE 编码”能够处理所有的 UNICODE 字符。 2. “UNICODE 字符”与“转换出来的字节”之间是可以通过计算得到的。</td> 
 </tr> 
 </tbody> 
</table>

## 2.3 程序中的字符与字节 ##

<table style="width:500px;"> 
 <tbody> 
 <tr> 
 <td>类型与操作</td> 
 <td>Java</td> 
 </tr> 
 <tr> 
 <td>字符</td> 
 <td>char</td> 
 </tr> 
 <tr> 
 <td>字节</td> 
 <td>byte</td> 
 </tr> 
 <tr> 
 <td>ANSI&nbsp;字符串</td> 
 <td>byte[]</td> 
 </tr> 
 <tr> 
 <td>UNICODE&nbsp;字符串</td> 
 <td>String</td> 
 </tr> 
 <tr> 
 <td>字节串 --&gt;&nbsp;字符串</td> 
 <td>string = new String(bytes,"encoding")</td> 
 </tr> 
 <tr> 
 <td>字符串 --&gt;&nbsp;字节串</td> 
 <td>bytes = string.getBytes("encoding")</td> 
 </tr> 
 </tbody> 
</table>

Java 中的char 代表一个 UNICODE 字符（宽字节字符）

## 2.4 编码问题的产生和解决 ##

在将“字节串”转为“UNICODE 字符串”时，比如在读取文本文件时，或者通过网络传输文本时，容易将 “字节串” 简单的作为“单字节字符串”，采用每“一个字节” 就是一个字符的方法进行转化。

而实际上，在非英文的环境下，应该“字节串”作为ANSI 字符串，采用适当的编码来得到UNICODE 字符串，有可能“多个字节”才能得到“一个字符”。

我们的系统在进行交互时，前端与后台的交互，跨平台之间数据传输，会因为平台与平台之间的编码不同，传输方式的不同导致解码不一致的情况。这个时候，我们可以先全部通过iso-8859-1 方式统一将字节 转成 字符，这个是一对一的转化，然后将它转成指定的某种编码即可。

# 三、其他 #

iso-8859-1 只是单字节字符集中最简单的一种，也就是“字节编号”与“UNICODE 字符编号”一致的那种编码规则。当我们要把一个“字节串”转化成“字符串”，而又不知道它是哪一种 ANSI 编码时，**先暂时地把“每一个字节”作为“一个字符”进行转化，不会造成信息丢失**。然后再使用 bytes = string.getBytes("iso-8859-1") 的方法可恢复到原始的字节串。

--------------------

**参考**

[字符，字节和编码][Link 1]（推荐）

[Java常见的乱码解决方式][Java]（推荐）

[位（bit）、字节（byte）、字符、编码之间的关系][bit_byte]

[Link 1]: http://www.regexlab.com/zh/encoding.htm
[Java]: https://www.cnblogs.com/maohuidong/p/8044568.html
[bit_byte]: https://blog.csdn.net/prdslf001001/article/details/78615823