1、1,补充：编码知识,1、 ASCIIASCII是“美国信息交换标准编码”的英文字头缩写，可称之为“美标”。美标规定了用从0到127的128个数字来代表信息的规范编码（最高位为0），其中包括33个控制码，一个空格码，和94个形象码。形象码中包括了英文大小写字母，阿拉伯数字，标点符号等。美标是国际上大部分大小电脑的通用编码。,2、 Binary 由于美标只规定了128个编码，剩下的另外128个数码（最高位为1）没有规范，各家用法不一。另外美标中的33个控制码，各厂家用法也不尽一致。这样我们在不同电脑间交换文件的时候，就有必要区分两类不同的文件。第一类文件中每一个字都是美标形象码或空格码。这类文件称
2、为“美标文本文件”(ASCII Text Files)，或略为“文本文件”，通常可在不同电脑系统间直接交换。第二类文件，也就是含有控制码或非美标码的文件，通常不能在不同电脑系统间直接交换。这类文件有一个通称，叫“二进制文件”(Binary Files)。,电脑中的一个字符大都是用一个八位数（字节）的二进制数字表示。这样一个字节可表示256个不同字符。,2,3、ANSI编码ASCII可被扩展，最优秀的扩展方案是ISO 8859-1，通常称之为Latin-1，它包括了足够的附加字符集来显示基本的西欧语言。这些优秀的扩展方案最后以ANSI（美国国家标准协会American National Stan
3、dards Institute）标准的形式形成文件。在ANSI标准中，低端的128个编码与ASCII一致，但根据所在国籍的不同，处理编码128以上的字符有许多不同的方式。,4、DBCS/MBCS亚洲国家的字符表有成千上万个字符，这样的字符表是用8位二进制无法表示的。该问题的解决通常有赖于称为DBCS/MBCS（double/Multi byte character set，双/多字节字符集）,3,（1）国标码（GB2312-1980年 ）“国标”是“中华人民共和国国家标准信息交换用汉字编码”的简称。国标表把七千余汉字及其它字符排成一个94行、94列的方阵。例如“中”字在方阵中处于第区（行）第8
4、位（列），它的区位码就是5448。,（2） GBK -1995年（GB码的扩展字符编码 ）GB2312支持的汉字太少。汉字扩展规范GBK1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字符。,（3） GB18030 -2000年取代GBK1.0的正式国家标准。该标准收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。,（4）繁体中文编码Big5： 这是繁体中文标准。CNS11643： 台湾的官方标准繁体中文编码。ISO2022CN_CNS： 编码中文(繁体)的一套标准。MS950或Cp950： ASCII + Big5，用于台湾和 香港的
5、繁 体中文 MS Windows操作系统。,测试：http:/172.20.1.83:8080/testjsp/ch04/setCharset.jsp,4,5、Unicode 与 ISO 10646,（1）以往MBCS的缺陷为了兼容ASCII的变长编码来给程序员带来了不小的麻烦，因为每当设计到DBCS字符串的处理时，总是要判断当中的一个字节到底表示的是一个字符还是半个字符。另外各个国家的编码规范不统一，给信息交流和传输带来很大的困难。由此可见DBCS并不是一种非常好的解决方案。 人们在不断寻找这更好的字符编码方案，于是Unicode诞生了。（2）发展历史为了 i18n（Internationa
6、lization ） ，出现了两个针对全人类所有字符的编码字符集:一个是 UCS （ Universal Character Set ） ，它是国际标准化组织弄出来的，也就是 ISO/IEC 10646 ；另一个是 Unicode （ Universal Code ） ， Unicode 同时也是一个联盟的名字，也就是 HP 、 Microsoft 、 IBM 、 Apple 等几家知名的大型计算企业所组成的联盟集团，他们为了推进多种文种的统一编码而制定出了 Unicode 。 目前Windows以及java的内核已经采用Unicode编码，这样在内核上可以支持全世界所有的语言文字,5,（3）
7、版本Unicode 1991年发布1.0版本， ISO/IEC10646.1于1993年发布。从Unicode2.0（1997）开始，两个组织将 Unicode 和 UCS 进行统一，也就是把 Unicode 并入ISO10646 ，成为它的一个子集。 Unicode协会现在的最新版本是2008年的Unicode 5.1。ISO的最新标准是ISO/IEC 10646:2008 （4）两种规范国际标准 ISO 10646 定义了 通用字符集 (Universal Character Set, UCS)。它有两种规范 ：UCS-2，也就是每个字符占用2个字节。这样理论上一共最多可以表示 216 即
8、 65536 个字符。UCS-4，理论上最多能表示 231 个字符，完全可以涵盖一切语言所用的符号。（5）与gbk的区别在Unicode里，所有的字符被一视同仁。例如一个英文字母 “a” 和 一个汉字 “好”，编码后都是占用的空间大小是一样的，都是两个字节！汉字不再使用“两个扩展ASCII”，而是使用“1个Unicode”，注意，现在的汉字是“一个字符”了，于是，拆字、统计字数这些问题也就自然而然的解决了。,6、UTF编码,Unicode可以用来表示所有语言的字符，而且是定长双字节（也有四字节的）编码，包括英文字母在内。所以可以说它是不兼容ISO-8859-1编码的，也不兼容以往任何编码，而且
9、不利于传输和保存（占空间）。于是1993年开始提出了UTF（UCS Transf-ormation Format即 UCS转换格式 ）它是将Unicode编码规则和计算机的实际编码对应起来的一个规则。现在流行的UTF有2种：UTF-8和UTF-16。,7,UTF-16和Unicode本身的编码规范是一致的UTF-8不同，它定义了一种“区间规则”，这种规则可以和ASCII编码保持最大程度的兼容。它将Unicode编码为00000000-0000007F的字符，用单个字节来表示； 00000080-000007FF的字符用两个字节表示 00000800-0000FFFF的字符用3字节表示,8,7、
10、其它几个名词,（2）charset 字符集，顾名思义是字符的集合，它包括了一系列字符，并对每个字符设置了相应的编号（注意，编号不一定是最终的编码即计算机内码）。 （3）encoding 编码，与字符集相对应的储存和传输的编码格式，它会将字符集中的每个字符储存为相应的二进制字节。编码与解码总是呼应的，即一个编码方式同时也包含了将字符从二进制编码中还原的使命。不过很多时候我们说的编码包含了字符集的概念，说的字符集包含了编码的概念 ，例如Unicode编码或则Unicode字符集。,（1）代码页（Cp）代码页全称是Code Page，是字符集编码的别名, 早期IBM和微软内部使用特别数字（932-日
11、文、936-简体中文（GBK）、949-韩文、950 -繁体中文）来标记这些编码，其实大多的这些编码已经有自己的名称了。Windows（2000/xp）内码为Unicode之后，代码页是从系统内码表到相应编码的映射表，比如 MS936 就是从 Unicode 到 GBK 的映射表。,9,（4）Big Endian和Little Endian上面提到了一个字符可能占用多个字节，那么这多个字节在计算机中如何存储呢？实际上两者都有可能，并分别有不同的名字。如果存储为 AB CD，则称为Big Endian；,如果存储为 CD AB，则称为Little Endian。,10,（5）字节序标记BOMUn
12、icode规范中推荐的标记字节顺序的方法是BOM。BOM（Byte Order Mark）如果文件开头使用了FEFF或FFFE，win系统认为 UNICODE编码，否则为ANSI或UTF-8编码，然后继续分析，如果一个字节大于127，就证明这个字节与后面的字节组成了一个汉字。EF BB BF UTF-8 FE FF UTF-16/UCS-2, little endian FF FE UTF-16/UCS-2, big endian FF FE 00 00 UTF-32/UCS-4, little endian. 00 00 FE FF UTF-32/UCS-4, big-endian.,11,8、国际国内编码演进图,http:/
