编码格式的比较。

「爱情、让人受尽委屈。」 2024-02-18 22:13 10阅读 0赞

## 按照ISO-8859-1编码 ##

经常会出现中文编程“?”，很可能就是错误的使用了ISO-8859-1这个编码导致的。中文字符经过ISO-8859-1编码会丢失信息，通常我们称之为“黑洞”，他会把不认识的字符吸收掉。由于现在大部分基础的Java框架或系统默认的字符集编码都是ISO-8859-1，所以很容易出现乱码问题。

## 按照GB2312编码 ##

GB2312对应的Charset是sun.nio.cs.ext.EUC\_CN，而对应的CharsetDecoder编码类是sun.nio.cs.ext.DoubleByte。GB2312字符集有一个从char到byte的码表，不同的祖父编码就是从这个码表找到与每个字符对应的字节，然后拼装成byte数组。查表规则如下：  
c2b\[c2bIndex\[char >> 8\]\] + (char & 0xff)\]  
如果查到的码位值大于0xff，则是双字节，否则是单字节。双字节高8位作为第1个字节，低8位作为第2个字节。  
GB2312只支持6763个汉字，所以并不是所有汉字都能够用GB2312编码。

## 按照GBK编码 ##

GBK与GB2312的编码结果是一样的，由此可以得出GBK编码是兼容GB2312编码的，他们的编码算法也是一样的。不同的是，他们的码表长度不一样，GBK包含的汉字字符更多。所以只要是经过GB2312编码的汉字都可以用GBK进行解码，反之则不然。

## 按照UTF-16编码 ##

用UTF-16编码将char数组放大了1倍，单字节范围内的字符在高位补0变成两个字节，中文字符也变成两个字节。从UTF-16编码规则来看，仅仅将字符的高位和低位进行拆分变成两个字节，特点是编码效率非常高，规则很简单。由于不同处理器对2字节的处理方式不同，有Big-endian（高位字节在前，低位字节在后）或Little-endian（低位字节在前，高位字节在后）编码。在对字符串进行编码时需要指明到底是Big-endian还是Little-endian，所以前面有两个字节用来保存BYTE\_ORDER\_MARK值，UTF-16是用定长16位（2字节）来表示的UCS-2或Unicode转换格式，通过代理来访问BMP之外的字符编码。

## 按照UTF-8编码 ##

UTF-16虽然编码效率很高，但是对单子接范围内的字符也放大了1倍，这无形浪费了存储空间。另外UTF-16采用顺序编码，不能对单个字符的编码值进行校验，如果中间的一个字符码值损坏，后面的所有码值都将受影响。而UTF-8不存在这些问题，UTF-8对单字节范围内的字符仍然用1个字节表示，对汉字采用3个字节表示。

## 对几种编码格式的比较 ##

对于中文字符，上述几种编码格式都能处理，GB2312与GBK编码规则类似，但是GBK范围更大，他能处理所有汉字字符，所以将GB2312与GBK进行比较，应该选择GBK。UTF-16与UTF-8都是处理Unicode编码，他们的编码规则不太相同。相对来说，UTF-16的编码效率较高，从字符到字节的相互转换更简单，进行字符串操作也更好。他适合在本地磁盘和内存之间使用，可以进行字符和字节之间的快速切换，如Java的内存编码就采用UTF-16编码。但是他不适合在网络之间传输，因为网络传输容易损坏字节流，一旦字节损坏将很难恢复，所以相比较而言UTF-8更适合网络传输。UTF-8对ASCII字符采用单字节存储，另外单个字符损坏也不会影响后面的其他字符，在编码效率上介于GBK和UTF-16之间，所以**UTF-8在编码效率上和编码安全性上做了平滑，是理想的中文编码方式。**