浅谈java使用指定字符集编码，以及常见的字符集

问题的引入：在InputStreamReader（OutputStreamWriter）的构造方法中，有指定字符集编码，那么什么是字符集？有哪些常用的字符集？怎么用字符集进行编码？

一   什么是字符集？

　　字符：字符(Char)是各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等。

　　 字符集：字符集(Charset)是多个字符的集合，字符集种类较多，每个字符集包含的字符个数不同。

二  有哪些常用的字符集？

　　1.ASCII：

　　　　　　ASCII（American Standard Code for Information Interchange，美国信息互换标准编码）是基于罗马字母表的　　　　　　　　　　一套电脑编码系统。

　　　包含内容：

　　　　　　　　　　控制字符：回车键、退格、换行键等。

　　　　　　　 可显示字符：英文大小写字符、阿拉伯数字和西文符号。

　　　技术特征:

　　　　　　　7位（bits）表示一个字符，共128字符，字符值从0到127，其中32到126是可打印字符。

　　　　集扩展字符集:

　　　　　　  7位编码的字符集只能支持128个字符，为了表示更多的欧洲常用字符对ASCII进行了扩展，ASCII扩展字符集使用8位　　　　　　（bits）表示一个字符，共256字符。

　　　　ASCII扩展字符集：它是从ASCII字符集扩充出来的，扩充后的符号增加了表格符号、计算符号、希腊字母和特殊的拉丁符号。

　　2.GB2312：

　　　　GB2312又称为GB2312-80字符集，全称为《信息交换用汉字编码字符集·基本集》，由原中国国家标准总局发布，1981年5月1日实施。

　　　　包含内容

　　　　　　GB2312收录简化汉字及一般符号、序号、数字、拉丁字母、日文假名、希腊字母、俄文字母、汉语拼音符号、汉语注音字母，共 7445 个图形字符。其中包括6763个汉字，其中一级汉字3755个，二级汉字3008个；包括拉丁字母、希腊字母、日文平假名及片假名字母、俄语西里尔字母在内的682个全角字符。

　　　　技术特征

　　　　　　（1）分区表示：

　　　　　　GB2312中对所收汉字进行了“分区”处理，每区含有94个汉字/符号。这种表示方式也称为区位码。

　　　　　　各区包含的字符如下：01-09区为特殊符号；16-55区为一级汉字，按拼音排序；56-87区为二级汉字，按部首/笔画排序；10-15区及88-94区则未有编码。

　　　　（2）双字节表示

　　　　　　两个字节中前面的字节为第一字节，后面的字节为第二字节。习惯上称第一字节为“高字节” ，而称第二字节为“低字节”。

　　　　　　“高位字节”使用了0xA1-0xF7(把01-87区的区号加上0xA0)，“低位字节”使用了0xA1-0xFE(把01-94加上0xA0)。

　　　　字符集编码举例

　　　　　　以GB2312字符集的第一个汉字“啊”字为例，它的区号16，位号01，则区位码是1601，在大多数计算机程序中，高字节和低字节分别加0xA0得到程序的汉字处理编码0xB0A1。计算公式是：0xB0=0xA0+16, 0xA1=0xA0+1。

 

 

 

　　3.BIG5编辑

　　　　又称大五码或五大码，1984年由台湾财团法人信息工业策进会和五家软件公司宏碁 (Acer)、神通 (MiTAC)、佳佳、零壹 (Zero One)、大众 (FIC)创立，故称大五码。

　　　　Big5码的产生，是因为当时台湾不同厂商各自推出不同的编码，如倚天码、IBM PS55、王安码等，彼此不能兼容；另一方面，台湾政府当时尚未推出官方的汉字编码，而中国大陆的GB2312编码亦未有收录繁体中文字。

　　　　字符集特点

　　　　　　Big5字符集共收录13,053个中文字，该字符集在中国台湾使用。耐人寻味的是该字符集重复地收录了两个相同的字：“兀”(0xA461及0xC94A)、“嗀”(0xDCD1及0xDDFC)。

　　　　字符集编码方法

　　　　　　Big5码使用了双字节储存方法，以两个字节来编码一个字。第一个字节称为“高位字节”，第二个字节称为“低位字节”。高位字节的编码范围0xA1-0xF9，低位字节的编码范围0x40-0x7E及0xA1-0xFE。

各编码范围对应的字符类型如下：0xA140-0xA3BF为标点符号、希腊字母及特殊符号，另外于0xA259-0xA261，存放了双音节度量衡单位用字：兙兛兞兝兡兣嗧瓩糎；0xA440-0xC67E为常用汉字，先按笔划再按部首排序；0xC940-0xF9D5为次常用汉字，亦是先按笔划再按部首排序。

　　　　字符集局限性

　　　　　　尽管Big5码内包含一万多个字符，但是没有考虑社会上流通的人名、地名用字、方言用字、化学及生物科等用字，没有包含日文平假名及片假名字母。

　　　　　　例如台湾视“着”为“著”的异体字，故没有收录“着”字。康熙字典中的一些部首用字(如“亠”、“疒”、“辵”、“癶”等)、常见的人名用字(如“堃”、“煊”、“栢”、“喆”等) 也没有收录到Big5之中。

 

 

　　　4.GB18030编辑

　　　　　　字符集名称由来

　　　　　　　　　GB 18030的全称是GB18030-2000《信息交换用汉字编码字符集基本集的扩充》，是我国政府于2000年3月17日发布的新的汉字编码国家标准，2001年8月31日后在中国市场上发布的软件必须符合本标准。

　　　　　  字符集特点

　　　　　　　　　GB 18030字符集标准的出台经过广泛参与和论证，GB18030 字符集 来自国内外知名信息技术行业的公司，信息产业部和原国家质量技术监督局联合实施。

　　　　　　　　　GB 18030字符集标准解决汉字、日文假名、朝鲜语和中国少数民族文字组成的大字符集计算机编码问题。该标准的字符总编码空间超过150万个编码位，收录了27484个汉字，覆盖中文、日文、朝鲜语和中国少数民族文字。满足中国大陆、香港、台湾、日本和韩国等东亚地区信息交换多文种、大字量、多用途、统一编码格式的要求。并且与Unicode 3.0版本兼容，填补Unicode扩展字符字汇“统一汉字扩展A”的内容。并且与以前的国家字符编码标准（GB2312，GB13000.1）兼容。

　　　　　　字符集编码方法

　　　　　　　　　GB 18030标准采用单字节、双字节和四字节三种方式对字符编码。单字节部分使用0×00至0×7F码(对应于ASCII码的相应码)。双字节部分，首字节码从0×81至0×FE，尾字节码位分别是0×40至0×7E和0×80至0×FE。四字节部分采用GB/T 11383未采用的0×30到0×39作为对双字节编码扩充的后缀，这样扩充的四字节编码，其范围为0×81308130到0×FE39FE39。其中第一、三个字节编码码位均为0×81至0×FE，第二、四个字节编码码位均为0×30至0×39。

　　　　　　字符集包含内容

　　　　　　　　　双字节部分收录内容主要包括GB13000.1全部CJK汉字20902个、有关标点符号、表意文字描述符13个、增补的汉字和部首/构件80个、双字节编码的欧元符号等。　四字节部分收录了上述双字节字符之外的，包括CJK统一汉字扩充A在内的GB 13000.1中的全部字符。

 

 

　　5.Unicode

　　　　　字符集名称由来

　　　　　　Unicode字符集编码是Universal Multiple-Octet Coded Character Set 通用多八位编码字符集的简称，是由一个名为 Unicode 学术学会(Unicode Consortium)的机构制订的字符编码系统，支持现今世界各种不同语言的书面文本的交换、处理及显示。该编码于1990年开始研发，1994年正式公布，最新版本是2012年1月31日的Unicode 6.1。

　　　　　字符集特征

　　　　　　Unicode是一种在计算机上使用的字符编码。它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。

　　　　  字符集编码方法

　　　　　　Unicode 标准始终使用十六进制数字，而且在书写时在前面加上前缀“U+”，例如字母“A”的编码为 004116 和字符“?”的编码为 20AC16。所以“A”的编码书写为“U+0041”。

　　　　字符集UTF-8 编码

　　　　　　UTF-8是Unicode的其中一个使用方式。 UTF是 Unicode Tranformation Format，即把Unicode转做某种格式的意思。

UTF-8便于不同的计算机之间使用网络传输不同语言和编码的文字，使得双字节的Unicode能够在现存的处理单字节的系统上正确传输。

UTF-8使用可变长度字节来储存 Unicode字符，例如ASCII字母继续使用1字节储存，重音文字、希腊字母或西里尔字母等使用2字节来储存，而常用的汉字就要使用3字节。辅助平面字符则使用4字节。

UTF-8（8-bit Unicode Transformation Format）是一种针对Unicode的可变长度字符编码，又称万国码。由Ken Thompson于1992年创建。现在已经标准化为RFC 3629。UTF-8用1到6个字节编码UNICODE字符。用在网页上可以同一页面显示中文简体繁体及其它语言（如英文，日文，韩文）。

　　　　字符集比较

　　　　　　UTF-16 和 UTF-32 编码

　　　　　　　　UTF-32、UTF-16和 UTF-8 是 Unicode 标准的编码字符集的字符编码方案，UTF-16 使用一个或两个未分配的 16 位代码单元的序列对 Unicode 代码点进行编码；UTF-32 即将每一个 Unicode 代码点表示为相同值的 32 位整数。

 

 

三 如何使用字符集编码？

上图是InputStreamReader的构造方法，如果不指定字符集的话，系统会使用本机默认的编码。下面举一个指定ASCII编码的例子。

import java.io.*;

public class Test1 {

	public static void main(String[] args) throws IOException {
		try {
			File file=new File("Test1.txt");
			FileInputStream fis = new FileInputStream(file);
			//这里就先不用Buffered缓冲区了
			char []buf=new char[(int)file.length()];
			//创建使用ASCII编码的InputStreamReader
			InputStreamReader isr=new InputStreamReader(fis,"ASCII");
			String text=isr.getEncoding();
			System.out.println(text);
			isr.read(buf);
			FileOutputStream fos=new FileOutputStream(new File("haha.txt"));
			//以ASCII编码的形式上写入
			OutputStreamWriter osw=new OutputStreamWriter(fos,"ASCII");
			osw.write(buf);

			isr.close();
			osw.close();
		} catch (FileNotFoundException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}

	}
}

用上面代码写出的文件内容与原文件相同，只不过换了一种编码方式，如果在写的时候改成其他编码，则会出现乱码。