编码相关
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了编码相关相关的知识,希望对你有一定的参考价值。
这个问题的引出是因为我发现java中基本数据类型char是占两个字节的,而c语言中char是占用一个字节。要知道编码中文字符的时候往往是2-4个字节,不同编码方式下也会有不同。那么问题来了,java中用的什么编码方式存字符呢?如果是笔画特别多的中文字符如何放到2个字节中?
编码历史
GBK2312是较早出的中文的编码方式,后来GBK收录了GBK2312同时又增加了一些中文字库。而UTF-8是多语言的编码方式,不仅针对中文具有更好的通用性。unicode是UTF之前就提出的,他是对全球所有语言进行统一编码的规范,收录了所有的字符,不过编码空间利用率低。
GBK
GBK编码是1-2个字节,英文是1个字节,中文是2个字节,全角的英文是2个字节。
UTF-8
UTF-8编码是1或3-4个字节,英文是1个字节,中文大都是3个字节,少数是4个字节。
unicode
unicode是很多系统默认文件使用的编码方式,他一般要占用4个字节,英文也是4个字节,大多数中文也是4个字节。如果是及其偏僻的中文就要占6个字节,这样的中文是GBK都没有收录的。
下面我们进行一个测试看看几种编码的占用字节数:
1 public static void main(String[] args) throws UnsupportedEncodingException { 2 String str="a"; 3 String str2="我"; 4 String str3="??";//这是个很生僻的字,浏览器都没解析出来... 5 print(str); 6 System.out.println("-----"); 7 print(str2); 8 System.out.println("-----"); 9 print(str3); 10 } 11 public static void print(String s) throws UnsupportedEncodingException{ 12 System.out.println("default:"+s.getBytes().length); 13 System.out.println("utf-8 :"+s.getBytes("utf-8").length); 14 System.out.println("gbk :"+s.getBytes("gbk").length); 15 System.out.println("unicode:"+s.getBytes("unicode").length); 16 }
打印
default:1 utf-8 :1 gbk :1 unicode:4 ----- default:3 utf-8 :3 gbk :2 unicode:4 ----- default:4 utf-8 :4 gbk :1 unicode:6
小结: utf-8 gbk中英文都是1字节,unicode是4个字节。gbk中汉字是2字节,对于生僻字gbk中没有收录,因而强行解码是?,即一个字节。utf-8汉字是3-4个字节生僻的字是4个字节。unicode汉字一般是4个字节,生僻字是6个字节。
延伸: java中char是俩字节因而char a="??";
会报错,这个字不是合法的char,char内部的编码方式(网上说是utf16)是只有2字节以内的部分,超过2字节的自动不能赋值。
以上是关于编码相关的主要内容,如果未能解决你的问题,请参考以下文章
《安富莱嵌入式周报》第279期:强劲的代码片段搜索工具,卡内基梅隆大学安全可靠C编码标准,Nordic发布双频WiFi6 nRF7002芯片