乐趣区

彻底理解编码

jiezi

只要涉及编程工作，编码是永远绕不开的问题。只有彻底理解编码，遇到编码问题才知道问题的根源在哪里，并找到对应的解决办法。花一点时间去彻底消化并理解他，长远来看，对以后工作效率的提升是非常值得的。下面是我对编码的一些总结和理解，有不对之处还望指正。

1. 什么是编码？为什么会有编码（可参考这里）？

从根本上来说，计算机只能处理 0 和1，也就是说只能处理由 0 和 1 组成的一串串数字。让人直接用 01 数字给计算机下达指令或传输字符显然是很困难的；但其实，早期计算机刚兴起时，那时的程序员就是写好 01 代码传给机器执行的。

人用自然语言沟通，而计算机只处理 01 代码。为了人与计算机更友好的交互，有人想了办法，将自然语言的每个字符都用一串 01 数字串来表示，也就是对每个字符用 01 串来编码，比如 A 用 0100 0001 来表示，这样就可以制定一个字符与 01 数字串的对应表，也即编码表，人只需要输入自然语言（如：Hello），计算机通过查编码表就可以转换为 01 串，这样机器就可以理解并处理了。

2. 为什么会有多种编码？

众所周知，世界上第一台计算机是在美国诞生的，因此，第一种编码自然是解决英文和 01 串的对应关系，这就促生了 ASCII 编码的出台，ASCII 编码表用一个字节（8 位）包含大小字母、数字、标点符号以及控制字符。

随着计算机的普及，世界上开始有越来越多的国家使用计算机，然而，每个国家都有自己的一套语言，加起来的字符成千上万。而 ASCII 最多只能编码 256 个字符，已经不能满足这么多的需求。于是，各国就制定了自己国家的编码表。比如中国就制定了 GB2312、GBK、GB18030 等编码规范。每个国家都有自己的一套编码，这就导致同一串 01 数字可能代表两个国家不同的字符，或者同一个字符 A，在两个国家分别用不同的 01 数字串表示。这就导致不同编码的系统互相传输信息时无法正确识别，比如中国用 GBK 编码的字符传输给美国的服务器，而美国服务器只有 ASCII 编码表，这就很糟糕。

于是，Unicode 编码出现了。Unicode 编码将世界上各个国家所有的字符全部收录进去，每个字符都用唯一的 01 字符串表示，这样的话就做到了全世界所有字符的统一编码，各个国家传输信息都用 Unicode 编码，根据 Unicode 编码表就可以识别了。

常用的编码
  • ASCII：1 个字节，实际使用 7 位，第 8 位保留，表示英文字符
  • ISO-8859-1：1 个字节，ASCII 的升级版，在 ASCII 的基础上添加了欧洲国家的字符，不能表示中文, 常用于 Java 服务的网络传输
  • GB2312：2 个字节，收录 6763 个汉字，只能表示简体字
  • GBK：GB2312 的升级版，1 个或 2 个字节，收录 21003 个汉字，可以表示简体字和繁体字

  • Unicode（即 UCS）：原始的 Unicode 是定长的 4 个字节，比如字母 A，用 Unicode 表示需要 4 个字节，比 ASCII 多了 3 个字节，由于这样做太浪费空间，因此经过优化制定了变长表示字符的 UTF 编码。

    • UTF-8：用 1 - 6 个字节表示所有字符，此处使用变长字节表示，优先使用短字节。
    • UTF-16：用 2、4 个字节表示所有字符，此处使用变长字节表示，优先使用短字节。
    • UTF-32：用 4 个字节表示。
编码和解码
  • 编码：将字符转为二进制（或 unicode）。
  • 解码：将二进制（或 unicode）转为字符。
不同编码转换

首先应该知道，内存统一用 Unicode 编码，编码转换都统一转到 Unicode，再从 Unicode 转为其他编码。比如 ISO-8859- 1 和 UTF- 8 之间转换，流程如下：

  1. 先知道字符 ”u” 是用 ISO-8859- 1 编码
  2. 获取字符 ”u” 的二进制，java 可通过 getByte(“ISO-8859-1”)正确解析出该字符的二进制，也可以用十六进制表示，比如AF8U
  3. 根据某种规则，将 ISO-8859- 1 的 AF8U 转化 Unicode, 再转化为 UTF- 8 的4E2D
java 编译的编码问题（可参考这里）：
  1. JDK 先检查源文件的编码类型，如果没有指定编码类型则用系统的编码读取源文件，如果指定了编码类型则用指定的编码类型打开源文件。
  2. 打开源文件后，在内存中编译为.class 文件，此时，.class 文件是 Unicode 编码
  3. 将内存中的.class 文件存入硬盘，此时，.class 文件仍然是 Unicode 编码
浏览器编码问题
  1. 看浏览器使用的是什么编码，则显示的页面就是使用什么编码。
  2. 发送 post 请求时，看浏览器用的什么编码，则发送过去的数据就是用什么编码
  3. 一般可以查看 headers 里 ContentType，charset 是什么编码
服务器编码问题（可参考这里）
  1. 服务器收到请求后，经过正确的编码规则解析，服务器才可以正常识别
  2. 服务器发送请求时，经过正确的编码规则编码，浏览器才可以正常显示。浏览器也可以自定义编码去解析

记住： 不管是爬虫获取的，浏览器收到的还是从本地硬盘读取的，都是二进制，选择正确的编码类型，才能把二进制或者说 01 序列解析为正确的字符。也就是用何种方式解析 01 数字。

退出移动版