从"锟斤拷"到字符编码
以下文章来源于漫话编程 ，作者漫话编程
本文公众号来源：漫话编程
作者：漫话编程
周末女朋友出去逛街了，我自己一个人在家看综艺节目，突然，女朋友给我打来电话。
过了一会，女朋友回来了，她拿出手机，给我看了她在超市拍的照片：
我们经常看一些谍战剧，谍战剧里敌特、地下党员以及八路军各部间发送情报的时候，一般都是通过电报发送的，电报在传递的过程中，需要发报员用电键发出长短不一的电码，收报员就会听到电报机发出的滴滴滴答答答的声音。其实电报发出的声音都是"滴"和"答"的组合，"答"的声音是"滴"的三倍长。
发报员要先通过一种方式，将想要发送的情报转成电报的滴答声，收报员在听到滴答声之后，再将它们翻译成正常的文字。这个过程就是字符编码和字符解码。
谍战剧中将情报转成电报的"滴"和"答"声主要通过摩尔斯电码，这是一种通过不同的排列顺序来表达不同的英文字母、数字和标点符号的字符编码方式。莫尔斯电码由短的和长的电脉冲（称为点和划）所组成。点和划的时间长度都有规定，以一点为一个基本单位，一划等于三个点的长度。正好对应上电报的"滴"和"答"。
就像电报只能发出"滴"和"答"声一样，计算机只认识0和1两种字符，但是，人类的文字是多种多样的，如何把人类的文字转换成计算机认识的01字符呢，这个过程同样需要通过字符编码。
字符编码（Character encoding）是一套法则，使用该法则能够对自然语言的字符的一个集合（如字母表或音节表），与其他东西的一个集合（如号码或电脉冲）进行配对。
和摩尔斯电码功能类似，上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定，这被称为 ASCII 码，一直沿用至今。
ASCII（American Standard Code for Information Interchange，美国信息交换标准代码）是基于拉丁字母的一套计算机编码系统。它主要用于显示现代英语，其中共有128个字符，包含了所有的大写和小写字母，数字0到9、标点符号， 以及在美式英语中使用的特殊控制字符等。
在介绍其他的字符编码之前，我们先来说一下一个计算机领域通用的字符集。
Unicode（中文：万国码、国际码、统一码、单一码）是计算机科学领域里的一项业界标准。它对世界上大部分的文字系统进行了整理、编码，使得计算机可以用更为简单的方式来呈现和处理文字。
Unicode至今仍在不断增修，每个新版本都加入更多新的字符。目前最新的版本为2019年5月公布的12.1，这一版本只新增了一个字符，即日本新年号令和的合字。
Unicode备受认可，并广泛地应用于计算机软件的国际化与本地化过程。有很多新科技，如可扩展置标语言（Extensible Markup Language，简称：XML）、Java编程语言以及现代的操作系统，都采用Unicode编码。
Unicode是一套通用的字符集，包含世界上的大部分文字，也就是说，Unicode是可以表示中文的。
Unicode虽然统一了全世界字符的编码，但没有规定如何存储。这么做是有考虑的：
如果Unicode统一规定，每个符号就要用三个或四个字节表示，因为字符太多，只能用这么多字节才能表示完全。
一旦这么规定，那么每个英文字母前都必然有二到三个字节是0，因为所有英文字母在ASCII中都有，都可以用一个字节表示，剩余字节位置就要补充0。
如果这样，文本文件的大小会因此大出二三倍，这对于存储来说是极大的浪费。为了解决这个问题，就出现了一些中间格式的字符集，他们被称为通用转换格式，即UTF（Unicode Transformation Format）。常见的UTF格式有：UTF-7, UTF-7.5, UTF-8,UTF-16, 以及 UTF-32。
UTF-8 使用一至四个字节为每个字符编码
UTF-16 使用二或四个字节为每个字符编码
UTF-32 使用四个字节为每个字符编码
所以我们可以说，UTF-8、UTF-16等都是 Unicode 的一种实现方式。
举个例子，Unicode规定了一个中文字符 "我"对应的unicode是"\u6211"，但是，在UTF-8和UTF-16等不同的实现方式下，这个二进制code的存储方式是不一样的。
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。
因为UTF-8是Unicode的一种实现，所以他包含了世界上的所有文字的编码，他采用的是1-4字节进行编码。
对于那些排在前面优先纳入的文字，可能就优先使用1字节、2字节存储了，对于后纳入的文字，就要使用3字节或者4字节存储了。
正是因为他太全了，所以那些晚一些纳入的字符，在UTF-8中的存储所占的字节数可能就会多一些，那他的存储空间要求就会很大。
对于常用的汉字，在UTF-8中采用3字节进行编码，但是如果有一种只包含中文和ASCII的编码的话，就不需要使用3个字节，可能2个字节就够了。
对于大部分网站来说，基本都是只服务一个国家或者地区的，比如一个中国的网站，一般会出现简体字和繁体字以及一些英文字符，很少会出现日语或者韩文的。
也是出于这样的考虑，中国国家标准总局于1981年制定并实施了 GB 2312-80 编码，即中华人民共和国国家标准简体中文字符集。后来厂商微软利用GB 2312-80未使用的编码空间，收录GB 13000.1-93全部字符制定了GBK编码。
有了标准中文字符集，如果是一个纯中文网站，就可以可以采用这种编码方式，这样可以大大节省一些存储空间的。
常用的中文编码有GBK，GB2312，GB18030等，最常用的是GBK。
GB2312（1980年）：16位字符集，收录有6763个简体汉字，682个符号，共7445个字符；
优点：适用于简体中文环境，属于中国国家标准，通行于大陆，新加坡等地也使用此编码；
缺点：不兼容繁体中文，其汉字集合过少。
GBK（1995年）：16位字符集，收录有21003个汉字，883个符号，共21886个字符；
优点：适用于简繁中文共存的环境，为简体Windows所使用，向下完全兼容gb2312，向上支持 ISO-10646 国际标准 ；所有字符都可以一对一映射到unicode2.0上；
缺点：不属于官方标准，和big5之间需要转换；很多搜索引擎都不能很好地支持GBK汉字。
GB18030（2000年）：32位字符集；收录了27484个汉字，同时收录了藏文、蒙文、维吾尔文等主要的少数民族文字。
优点：可以收录所有你能想到的文字和符号，属于中国最新的国家标准；
缺点：目前支持它的软件较少。
我们还拿前面介绍过的发电报的例子来说，假设有以下场景：
发报员使用"美式摩尔斯电码"将情报转换成电报，收报员接收到电报之后，通过"现代国际摩尔斯电码"进行破译。那么得到的情报内容就可能完全看不懂，这就是乱码了。
就像在计算机领域，我们把一串中文字符通过UTF-8进行编码传输给别人，别人拿到这串文字之后，通过GBK进行解码，得到的内容就会是“锟届瀿锟斤拷雮傡锟斤拷直锟斤拷锟”，这就是乱码。
如以下代码：
public static void main(String[] args) throws UnsupportedEncodingException {
String s = "漫话编程！";
byte[] bytes = s.getBytes(Charset.forName("GBK"));
System.out.println("GBK编码，GBK解码：" + new String(bytes, "GBK"));
System.out.println("GBK编码，GB18030解码：" + new String(bytes, "GB18030"));
System.out.println("GBK编码，UTF-8解码：" + new String(bytes, "UTF-8"));
}
输出结果：
GBK编码，GBK解码：漫话编程！
GBK编码，GB18030解码：漫话编程！
GBK编码，UTF-8解码：????????
可以看到，将中文字符，通过GBK编码，再使用UTF-8解码，得到的字符就是一串问号，这就是乱码了。
因为Unicode是一直在更新的，在这个过程中，肯定有一些比较新的字符他是无法表示的。或者即使Unicode发布了新版纳入了某个文字，但是很多软件系统并未升级也会有这样的问题。
就像生活中一些手机厂商新出的那些emoji表情，在自己的手机上可以正常显示，发到其他品牌的手机上可能就无法显示。这其实也是字符集不支持导致的。
发生以上情况时，无法显示的时候也需要有一个字符来表示的，在Unicode中，这个字符就是 � ，他也是Unicode中定义的一个特殊字符。也就是"0xFFFD REPLACEMENT CHARACTER"，所有无法表示的字符都会通过这个字符来表示。
Unicode官方有关于这个符号的介绍，从上表中可以看到，他的10进制表示是65533，在UTF-8下，他的16进制形式是'0xEF 0xBF 0xBD'（三个字节）。
如果有两个连续的字符都无法显示，如"� �" ，那么在UTF-8编码下，16进制表示为：
0xEF 0xBF 0xBD
0xEF 0xBF 0xBD
以上这段编码，如果放到GBK中进行解码的话，因为GBK中一个汉字两个字节，那么结果就是：
0xEF 0xBF, 0xBD 0xEF, 0xBF 0xBD
即
0xEFBF
0xBDEF
0xBFBD
那么，如果展示出来，就是：锟（0xEFBF），斤（0xBDEF），拷（0xBFBD）,所以，以后再见到锟斤拷，第一时间想到UTF-8和GBK的转换问题准没错。
除了锟斤拷以外，还有两组比较经典的乱码，分别是"烫烫烫"和"屯屯屯"，这两个乱码产生自VC，这是debug模式下VC对内存的初始化操作。VC会把栈中新分配的内存初始化为0xcc，而把堆中新分配的内存初始化为0xcd。把0xcc和0xcd按照字符打印出来，就是烫和屯了。
公众号文章导航：公众号所有的文章导航
长按扫码可关注获取
欢迎关注