[轉貼] Unicode、UTF-8 和 ISO-8859-1 到底有什麼區別
來源：http://campuss.blog.sohu.com/74210127.html Unicode、UTF-8 和 ISO-8859-1到底有什麼區別 本文主要包括以下幾個方面：編碼基本知識，java，系統軟件，url，工具軟件等。 在下面的描述中，將以”中文”兩個字爲例，經查表可以知道其GB2312編碼是”d6d0 cec4″，Unicode編碼爲”4e2d 6587″，UTF編碼就是”e4b8ad e69687″。注意，這兩個字沒有ISO-8859-1編碼，但可以用ISO-8859-1編碼來”表示”。 2. 編碼基本知識 最早的編碼是ISO-8859-1，和ASCII編碼相似。但爲了方便表示各種各樣的語言，逐漸出現了很多標準編碼，重要的有如下幾個。 2.1. ISO-8859-1 屬於單字節編碼，最多能表示的字符範圍是0-255，應用於英文系列。比如，字母a的編碼爲0x61=97。 很明顯，ISO-8859-1編碼表示的字符範圍很窄，無法表示中文字符。但是，由於是單字節編碼，和計算機最基礎的表示單位一致，所以很多時候，仍舊使用ISO-8859-1編碼來表示。而且在很多協議上，默認使用該編碼。比如，雖然”中文”兩個字不存在ISO-8859-1編碼，以gb2312編碼爲例，應該是”d6d0 cec4″兩個字符，使用ISO-8859-1編碼的時候則將它拆開爲4個字節來表示：”d6 d0 ce c4″（事實上，在進行存儲的時候，也是以字節爲單位處理的）。而如果是UTF編碼，則是6個字節”e4 b8 ad e6 96 87″。很明顯，這種表示方法還需要以另一種編碼爲基礎。 2.2. GB2312/GBK 這就是漢子的國標碼，專門用來表示漢字，是雙字節編碼，而英文字母和ISO-8859-1一致（兼容ISO-8859-1編碼）。其中gbk編碼能夠用來同時表示繁體字和簡體字，而gb2312只能表示簡體字，gbk是兼容gb2312編碼的。 2.3. unicode 這是最統一的編碼，可以用來表示所有語言的字符，而且是定長雙字節（也有四字節的）編碼，包括英文字母在內。所以可以說它是不兼容ISO-8859-1編碼的，也不兼容任何編碼。不過，相對於ISO-8859-1編碼來說，uniocode編碼只是在前面增加了一個0字節，比如字母a爲”00 61″。 需要說明的是，定長編碼便於計算機處理（注意GB2312/GBK不是定長編碼），而unicode又可以用來表示所有字符，所以在很多軟件內部是使用unicode編碼來處理的，比如java。 2.4. UTF 考慮到unicode編碼不兼容ISO-8859-1編碼，而且容易佔用更多的空間：因爲對於英文字母，unicode也需要兩個字節來表示。所以unicode不便於傳輸和存儲。因此而產生了utf編碼，utf編碼兼容ISO-8859-1編碼，同時也可以用來表示所有語言的字符，不過，utf編碼是不定長編碼，每一個字符的長度從1-6個字節不等。另外，utf編碼自帶簡單的校驗功能。一般來講，英文字母都是用一個字節表示，而漢字使用三個字節。 注意，雖然說utf是爲了使用更少的空間而使用的，但那只是相對於unicode編碼來說，如果已經知道是漢字，則使用GB2312/GBK無疑是最節省的。不過另一方面，值得說明的是，雖然utf編碼對漢字使用3個字節，但即使對於漢字網頁，utf編碼也會比unicode編碼節省，因爲網頁中包含了很多的英文字符。 3. java對字符的處理 在java應用軟件中，會有多處涉及到字符集編碼，有些地方需要進行正確的設置，有些地方需要進行一定程度的處理。 3.1. getBytes(charset) 這是java字符串處理的一個標準函數，其作用是將字符串所表示的字符按照charset編碼，並以字節方式表示。注意字符串在java內存中總是按unicode編碼存儲的。比如”中文”，正常情況下（即沒有錯誤的時候）存儲爲”4e2d 6587″，如果charset爲”gbk”，則被編碼爲”d6d0 cec4″，然後返回字節”d6 d0 ce c4″。如果charset爲”utf8″則最後是”e4 b8 ad e6 96 87″。如果是”ISO-8859-1″，則由於無法編碼，最後返回 “3f 3f”（兩個問號）。… Read More »