点击上方蓝字关注我们！

作者介绍

王云静，Java 开发工程师，2018 年 7 月加入去哪儿网，目前在目的地 - 呼叫中心。曾获得过 ACM 亚洲区域赛铜牌。

-----

基本概念

字符集

字符(Character)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(Character set)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，常见字符集名称：ASCII 字符集、GB2312 字符集、BIG5 字符集、 GB18030 字符集、Unicode 字符集等。计算机要准确的处理各种字符集文字，就需要进行字符编码，以便计算机能够识别和存储各种文字。

字符编码

字符编码(英语：Character encoding)也称字集码，是把字符集中的字符编码为指定集合中某一对象(例如：比特模式、自然数序列、8 位组或者电脉冲)，以便文本在计算机中存储和通过通信网络的传递。

为了理解字符集和字符编码的关系，这里举个简单的例子，我们可以把字符集当成接口，把字符编码当成接口的实现。Unicode是接口(字符集)， UTF-8 / UTF-16 / UTF-32则是不同的实现(字符编码)。

ANSI

ANSI 全称(American National Standard Institite)美国国家标准学会(美国的一个非营利组织)，首先 ANSI 不是指的一种特定的编码，而是不同地区扩展编码方式的统称，各个国家和地区所独立制定的兼容 ASCII 但互相不兼容的字符编码，微软统称为 ANSI 编码。

在简体中文 windows 下使用文本文件保存”联通“，则再次打开会显示乱码。这是因为 windows 下的文本文件默认使用 ansi 字符集，而简体中文 windows 下的 ansi 字符集为 GB2312，”联通“两个字的 GB2312 编码看起来和 UTF-8 非常相似，又因为我们没有在文件开头设置字符集标记(BOM)，所以当我们再次打开该文件时，被识别为 UTF-8，因此出现乱码。

Unicode

Unicode(统一码、万国码、单一码)是计算机科学领域里的一项业界标准，包括字符集、编码方案等。Unicode 是为了解决传统的字符编码方案的局限而产生的，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。

• CodeUnit：代码单元/编码单元，是 Unicode 编码里一个 CodePoint需要的最少字节数

  例如：UTF-8 是一个字节，UTF-16 是两个字节，UTF-32 是四个字节

• CodePoint：代码点，Unicode 规定的每一个字符就是一个 CodePoint

• CodeSpace：代码空间，所有的代码点构成一个代码空间，根据 Unicode 定义，总共有 1,114,112 个代码点，编号从 0x0-0x10FFFF，也就是大概 110 多万个字符

• CodePlane：代码平面，Unicode 标准把代码点分成了17 个代码平面，编号为 #0-#16。每个代码平面包含 65,536(2^16)个代码点(17*65,536=1,114,112)。#0 叫做 基本多语言平面(BMP：大部分常用的字符都坐落在这个平面内，比如 ASCII 字符，汉字等。代码点范围：0x0000-0xFFFF)，其余平面叫做 补充平面

• SurrogatePair：代理对，由一个 High-surrogate(高代理代码点： 0xD800-0xDBFF)和一个 Low-surrogate(低代理代码点： 0xDC00-0xDFFF)组成。这 2048 个代码点位于 BMP 内，并且不是有效的字符代码点，它们是为 UTF 编码保留的。在 UTF-16 中它可以编码 BMP 之外的代码点

UTF-8

UTF-8 的特点是对不同范围的字符使用不同长度的编码。对于 0x00-0x7F 之间的字符，UTF-8 编码与 ASCII 编码完全相同。UTF-8 编码的最大长度是 4 个字节。

• 对于单个字节的字符，第一位设为 0，后面的 7 位对应这个字符的 Unicode 码点。

• 对于需要使用 N 个字节来表示的字符(N > 1)，第一个字节的前 N 位都设为 1，第 N + 1 位设为0，剩余的 N - 1 个字节的前两位都设位 10，剩下的二进制位则使用这个字符的 Unicode 码点来填充。

UTF-8 编码的最大长度是 4 个字节。从上表可以看出，4 字节模板有 21 个 x，即可以容纳 21 位二进制数字。Unicode 的最大码位 0x10FFFF 也只有 21 位。

例1：“汉”字的Unicode 编码是 0x6C49。0x6C49 在 0x0800-0xFFFF 之间，使用3字节模板：1110xxxx10xxxxxx10xxxxxx。将0x6C49写成二进制是：0110110001001001， 用这个比特流依次代替模板中的x，得到：111001101011000110001001，即 E6 B1 89。

例2：Unicode编码0x20C30在0x010000-0x10FFFF 之间，使用 4 字节模板 11110xxx10xxxxxx10xxxxxx10xxxxxx。将 0x20C30 写成 21 位二进制数字(不足 21 位就在前面补 0)：000100000110000110000，用这个比特流依次代替模板中的 x，得到：11110000101000001011000010110000，即 F0 A0 B0 B0。

UTF-16

UTF-16 是 Unicode 的一种编码方式，它用两个字节来编码 BMP 里的代码点，用四个字节编码其余平面里的代码点。

为了书写方便，我们把 Unicode 编码记作 U。

• 如果 U<0x10000，U 的 UTF-16 编码就是 U 对应的 16 位无符号整数。

• 如果 U≥0x10000，我们先计算 U'=U-0x10000，然后将 U' 写成二进制形式： yyyy yyyy yyxx xxxx xxxx，U 的 UTF-16 编码(二进制)就是： 110110yyyyyyyyyy110111xxxxxxxxxx。

为什么 U' 可以被写成 20 个二进制位？

Unicode 的最大码位是 0x10FFFF，减去 0x10000 后，U 的最大值是 0xFFFFF，所以肯定可以用 20 个二进制位表示。

为什么把 0x10000-0x10FFFF编码为 110110yyyyyyyyyy110111xxxxxxxxxx？

110110yyyyyyyyyy 的取值范围为 1101100000000000- 1101101111111111，即  0xD800-0xDBFF( High-surrogate)

110111xxxxxxxxxx 的取值范围为 1101110000000000- 1101111111111111，即  0xDC00-0xDFFF( Low-surrogate) 所以 110110yyyyyyyyyy110111xxxxxxxxxx正好是一个 SurrogatePair，也就是 4 个字节

例如：Unicode 编码 0x20C30，减去 0x10000 后，得到 0x10C30，写成二进制是：00010000110000110000。用前 10 位依次替代模板中的 y，用后 10 位依次替代模板中的 x，就 得到：11011000010000111101110000110000，即 0xD843 0xDC30。

UTF-32

UTF-32 编码以 32 位无符号整数为单位。Unicode 的 UTF-32 编码就是其对应的 32 位无符号整数。

大/小端

大小端是 CPU 处理多字节数的不同方式，其主要特点是字节序在内存中存储位置不同。

• 大端(Big-Endian)：高字节序存储在低地址，低字节序存储在高地址。

• 小端(Little-Endian)：高字节序存储在高地址，低字节序存储在低地址。

对于任何字符编码，编码单元的顺序是由编码方案指定的，与 endian 无关。例如 GBK 的编码单元是字节，用两个字节表示一个汉字。这两个字节的顺序是固定的，不受 CPU 字节序的影响。UTF-16 的编码单元是 word(双字节)，word 之间的顺序是编码方案指定的，word 内部的字节排列才会受到 endian 的影响。

在网络上传输数据时，由于数据传输的两端对应不同的硬件平台，采用的存储字节顺序可能不一致。所以在 TCP/IP 协议规定了在网络上必须采用网络字节顺序，也就是大端模式。

JVM 屏蔽了大小端问题，默认为大端，并且可使用 ByteOrder.nativeOrder()查询处理器和内存系统的大小端，在使用 ByteBuffer 时，也可以使用 ByteBuffer.order()进行设置。

BOM

Unicode 的学名是 "Universal Multiple-Octet Coded Character Set"，简称为 UCS。UCS 可以看作是 "Unicode Character Set" 的缩写。在 UCS 编码中有一个叫做 "Zero Width No-Break Space"，中文译名作“零宽无间断间隔”的字符，它的编码是  FEFF。而 FFFE 在 UCS 中是不存在的字符，所以不应该出现在实际传输中。UCS 规范建议我们在传输字节流前，先传输字符 "Zero Width No-Break Space"。这样如果接收者收到 FEFF，就表明这个字节流是 Big-Endian 的；如果收到 FFFE，就表明这个字节流是 Little- Endian 的。因此字符 "Zero Width No-Break Space" (“零宽无间断间隔”)又被称作 BOM(即 Byte Order Mark)。

UTF-8 BOM：UTF-8 以字节为编码单元，没有字节序的问题，但可以用 BOM 来表明编码方式。字符 "Zero Width No-Break Space" 的 UTF-8 编码是 EF BB BF。(windows 系统默认使用 UTF-8 BOM 编码，需要注意)

文件：D:\bom.txt，编码：UTF-8-BOM

代码：

public static void main(String[] args) throws Exception {

File file = new File("D:\\\\bom.txt");

FileInputStream inputStream = new FileInputStream(file);

int i = 0;

while ((i = inputStream.read()) != -1) {

System.out.printf("0x"+Integer.toHexString(i) + " ");

}

}

结果

0xef0xbb0xbf0xe60xb50x8b0xe80xaf0x950x550x540x460x380x200x420x4f0x4d

常见BOM

Java 字符编码

Java 使用 Unicode 字符集并且使用 UTF-16 字符编码。

Java 语言规范规定，Java 的 char 类型是 UTF-16的code unit，也就是一定是 16 位(2 字节)。

一个字符到底占用多少个字节？

对于 Java 中的 char 类型来说的话，固定占用 2 字节，但是为什么使用 newString("字").getBytes().length返回的是 3，这是因为 getBytes实际是做了 编码转换(内码转外码)，你可以显式传入一个参数来指定编码，否则它会使用 缺省编码来转换。

对于肉眼可见的字符来说，这个取决于字符编码，同一个字符在不同的编码下占用不同的字节。例如：汉字的"字","字"在 GBK 编码下占 2 字节，在 UTF-8 编码下占 3 字节，在 UTF-32 编码下占 4 字节。

内码 & 外码

• 内码：程序内部使用的字符编码，特别是某种语言实现其 char 或 String 类型在内存里用的内部编码。Java 的内码就是 UTF-16。

• 外码：程序与外部交互时外部使用的字符编码。简单的来说就是除了内码都可以认为是“外码”(包括 class 文件的编码)。

内码转外码：

• String.getBytes(StringcharsetName)：将内存中的字符串用 UTF-16 编码转换为指定编码的 byte 序列。

• String.getBytes()：将内存中的字符串用 UTF-16 编码转换为缺省编码的 byte 序列。

外码转内码：

• newString(byte[]bytes,Stringcharset)：就是把字节流以指定的编码转换为 UTF-16 编码的字节流存入内存中。

• Java 的 class 文件是以 UTF-8 的方式来编码的。JVM 读取 class 文件时需要把 UTF-8 编码转换为 UTF-16 编码读入内存。

注意：编码和解码的“字符编码”必须要一致才能解码成想要的字符串。

缺省编码

可以在启动 JVM 时通过 -Dfile.encoding=UTF-8 来设置，否则使用操作系统环境下的缺省编码，可通过 Charset.defaultCharset()获取编码。

通常，Windows 系统下是 GBK，Linux 和 Mac 是 UTF-8。

如果使用 IDE，则会使用工程的缺省编码，具体编码是什么，需要看具体使用的 IDE，可以百度来修改 IDE 的编码。(有可能会遇到某 IDE 在启动项目时控制台打印的日志是乱码，这就是编码搞得鬼) 因为 getBytes受缺省编码的影响而得到的结果不同，所以在使用该方法时，建议显示指定编码。

String#length()获取的是真正的字符串长度吗？

不是，它获取的仅仅是代码单元的数量，而真正的字符串长度是代码点数量，可使用 String#codePointCount()来获取。

原因：我们在上面介绍过，某字符的代码点>=0x10000时UTF-16 编码会占用 4 个字节，又因为 Java 的 char 固定就是 2 字节，所以我们需要使用 2 个 char 来表示该字符，那么在使用 String#length()获取字符串长度时，就会出错。

为什么我们平时都是使用该方法获取字符串长度呢？因为 BMP 里定义了我们使用的大部分字符，并且我们基本使用不到 BMP 之外的字符。

为什么 Java 不使用定长编码呢？

Java 设计之初 UTF-16 确实是定长编码，只不过后来 Unicode 的字符变多了之后，UTF-16 变成了变长编码。

Java 5.0 版本既要支持 Unicode 4.0 同时要保证向后兼容性，不得不开始使用 UTF-16  作为内部编码方式。

代码点/代码单元分析

代码

// 16进制，10进制，2进制

// 0xd801, 55297, 1101 1000 0000 0001

// 0xdc01, 56321, 1101 1100 0000 0001

// UTF-16编码: 0xDB01 0xDC01, 3624000513, 110110 00 0000 0001 110111 00 0000 0001

// U': 0x401, 1025, 00 0000 0001 00 0000 0001

// Unicode码点 = U'+0x10000: 0x10401, 66561, 0000 0000 0000 0001 0000 0100 0000 0001

String str = "\ud801\udc01";

System.out.println("str = "+ str);

// 代码单元(char)

System.out.println("str.length() = "+ str.length());

// 代码点

System.out.println("str.codePointCount(0, str.length()) = "+ str.codePointCount(0, str.length()));

// 代码点的int值，如果当前位置是高代理，则返回高代理+低代理对应代码点的int值，否则，会返回当前位置的int值

// 高代理，返回高代理+低代理对应代码点的int值

System.out.println("str.codePointAt(0) = "+str.codePointAt(0));

// 低代理，返回该位置的int值

System.out.println("str.codePointAt(1) = "+ str.codePointAt(1));

// char，高代理

System.out.println("str.charAt(0) = "+ str.charAt(0));

// char, 低代理

System.out.println("str.charAt(1) = "+ str.charAt(1));

结果

str = ?

str.length() = 2

str.codePointCount(0, str.length()) = 1

str.codePointAt(0) = 66561

str.codePointAt(1) = 56321

str.charAt(0) = ?

str.charAt(1) = ?

编解码

可通过 Charset.availableCharsets().keySet()来查看 Java 到底支持哪些字符编码。

• 编码：字符集的字符 => 字节数组

• 解码：字节数组 => 字符集的字符

• 编码转换：字符集1的字符 => 字符集 2 的字符，通过这里可以看出如果 2 个字符集的某个字符没有对应关系，那么就会导致乱码

其他来源的字符保存到 JVM 内存需要经历：字节数组 => 指定编码的字符 => Unicode 字符 => UTF-16 编码后的字节数组。

JVM 内存保存到其他地方需要经历：UTF-16 编码后的字节数组 => Unicode字符 => 指定编码的字符 => 字节数组。

由此可以看出，系统内部是做了一步字符集转换。如果两个字符集没有转换规则，那么就会使用 Codepage(代码页)，有兴趣的同学可以自行去了解代码页。

代码

public static void main(String[] args) throws Exception {

byte[] utf8Bytes = "编码转换".getBytes("UTF-8");

System.out.println("UTF-8 = " + new String(utf8Bytes, "UTF-8"));

System.out.printf("utf8Bytes = ");

print(utf8Bytes);

String gbk = new String(utf8Bytes, "GBK");

System.out.println("GBK = " + gbk);

byte[] gbkBytes = gbk.getBytes("GBK");

System.out.printf("gbkBytes = ");

print(gbkBytes);

byte[] isoBytes = gbk.getBytes("ISO-8859-1");

System.out.printf("isoBytes = ");

print(isoBytes);

System.out.println("UTF-8 = " + new String(gbkBytes, "UTF-8"));

}

private static void print(byte[] bytes) {

for (int i = 0; i < bytes.length; i++) {

System.out.printf(bytes[i] + " ");

}

System.out.println();

}

结果

UTF-8= 编码转换

utf8Bytes = -25-68-106-25-96-127-24-67-84-26-115-94

GBK = 缂栫爜杞崲

gbkBytes = -25-68-106-25-96-127-24-67-84-26-115-94

isoBytes = 636363636363

UTF-8= 编码转换

1. "编码转换"以 UTF-8编码存储在class文件。

2. JVM 加载 class 文件，从常量池中读取”编码转换“，并使用 UTF-8 解码为 Unicode 字符，然后使用 UTF-16 编码保存到 JVM 内存。

3. "编码转换".getBytes("UTF-8")，直接从 JVM 内存获取"编码转换"的字节数组，然后使用 UTF-16 解码为 Unicode 字符，最后使用 UTF-8 编码为新的字节数组。(UTF-16 => UTF-8)

4. new String(utf8Bytes, "GBK")，使用 GBK 把 bytes 解码为 GBK 字符，然后把 GBK 字符转换为 Unicode 字符，最后使用 UTF-16 编码保存到 JVM 内存(GBK 和 Unicode 无联系，所以通过代码页来完成转换)。

浏览器/Tomcat/Mysql

浏览器编码

URI：不同浏览器采用的编码方案不同。例如 chrome 使用 UTF-8 header：ISO-8859-1 body：根据 Content-Type 来进行编码

chrome浏览器

浏览器解码

header：ISO-8859-1 body：首先查看 Content-Type 中是否存在编码方案，其次若返回的是 html 格式，则查看 meta 中是否指定字符集，最后使用浏览器默认字符集解码

在 chrome 中可以使用插件手动修改默认的字符集。例如：Set Character Encoding。

tomcat 编码

依赖于应用程序

tomcat 解码

依赖于 server.xml 的 Connector 的配置

UTIEncoding：URI 的编码，tomcat7 默认 ISO-8859-1，tomcat8 默认 UTF-8。

useBodyEncodingForURI：使 URI 编码等于 request.setCharacterEncoding()设置的编码。

request.setCharacterEncoding()：指定 body 体的编码方式，必须在第一次获取 body 体内容之前设置。

Spring

如果使用 Spring MVC，则需要配置 CharacterEncodingFilter为第一个过滤器，并且指定编码。

如果使用 Spring Boot，则无需配置，默认配置了 OrderedCharacterEncodingFilter，默认编码为 UTF-8。

这个过滤器只是针对的 body 体，至于 get 请求还依赖于使用的 tomcat 版本，如使用 Tomcat7，则需要去 server.xml 配置 UTIEncoding/useBodyEncodingForURI，若使用 Tomcat8，无需配置。

Mysql

character_set_client：客户端数据解析、编码的字符集 

character_set_connection：连接层字符集

character_set_database：当前数据库的字符集

character_set_server：服务器内部操作字符集 

character_set_results：查询结果字符集 

character_set_system：系统源数据(字段名等)字符集

setnames utf8mb4等同于同时设置 character_set_client， character_set_connection， character_set_results这三个字符集

1. 客户端使用特定字符集编码 SQL 发送到服务端。

2. 服务端接受到字节流后，使用 character_set_client进行解码。

3. 服务端解码后，会使用 character_set_connection进行编码，然后传给存储引擎。若 character_set_connection和 character_set_client不同，则发生字符集转换操作。

4. 存储引擎查询表时，若表字符集和 character_set_connection不同，则发生字符集转换操作。

5. 存储引擎查询到结果之后，会使用 character_set_results进行编码返回给客户端，若表字符集和 character_set_results不同，则发生字符集转换操作。

6. 客户端接受到结果后，使用特定字符集进行解码。

由此表可以看出，必须保证 客户端、 character_set_client、 character_set_results一致才可以保证数据正常。如果使 character_set_connection、 表字符集和上面 3 个保持一致，可以减少字符集转换。

Connector / J

在使用Connector / J时，创建连接语句 jdbc:mysql://127.0.0.1:3306/test?useUnicode=true&characterEncoding=utf8基本都会配置 useUnicode和 characterEncoding。否则创建连接时，驱动程序会自动检测 character_set_server并使用该字符集。

要覆盖客户端自动检测到的编码，请使用 characterEncoding 服务器连接 URL 中的属性。指定字符编码时，请使用 Java 样式的名称。

对于 Connector / J 5.1.46 及更早版本：为了使用 utf8mb4 字符集进行连接，服务器必须配置为 charactersetserver=utf8mb4。如果不是这种情况，UTF-8则characterEncoding在连接字符串中使用时，它将映射到 MySQL 字符集名称 utf8。

对于 Connector / J 5.1.47 及更高版本：当 UTF-8 用于 characterEncoding 连接字符串中，它映射到 MySQL 的字符集的名字 utf8mb4。

参考资料

• https://www.cnblogs.com/binarylei/p/10760233.html

• https://baike.baidu.com/item/Unicode/750500?fr=aladdin

• https://baike.baidu.com/item/%E5%AD%97%E7%AC%A6%E9%9B%86/946585?fr=aladdin

• https://baike.baidu.com/item/%E5%AD%97%E7%AC%A6%E7%BC%96%E7%A0%81/8446880

• https://www.zhihu.com/question/27562173/answer/76208352

• http://www.imooc.com/article/26166

• http://www.fmddlmyy.cn/text6.html

• https://blog.csdn.net/duduniao999/article/details/80872701

• https://www.cnblogs.com/lanhaicode/p/11214827.html

• https://www.zhihu.com/question/30945431/answer/50046808

• https://www.cnblogs.com/jave1ove/p/7454966.html

• https://jingyan.baidu.com/article/148a1921189b234d71c3b1df.html

• https://dev.mysql.com/doc/connector-j/5.1/en/connector-j-reference-charsets.html

【END】