字符集JAVA

举例：

我们之前在读取文件的时候，文件中都是用英文举例，
如果文件内有中文，读取会发生什么

举例：

进行读取，

//创建字节输入流对象
FileInputStream fis=new FileInputStream("..\\ioDemo\\a.txt");
//循环读取，(无参read一次读取一个字节)
int len;//表示每次读取到的ascii码
while((len=fis.read())!=-1){
    System.out.print((char) len);
}
//释放资源
fis.close();

可以发现，英文正常读取，而中文部分乱码。

***若此时在Hello这五个字符后再添加一个任意字符字符，
也就是6个字母+2个中文
并且我手动采取一次读取三个字节的解码规则
此时再读取还会报错吗？

public class t {
    public static void main(String[] args) throws IOException {
//创建字节输入流对象
FileInputStream fis = new FileInputStream("..\\ioDemo\\a.txt");
//循环读取，
byte[] bytes = new byte[3];//(一次读取三个字节)
int len;
while ((len = fis.read(bytes)) != -1) {
    String str = new String(bytes, 0, len);//获取每一次读取到的元素
    System.out.println(str);//打印
}
//释放资源
fis.close();
    }
}

由此可以，
我当前系统的默认编码规则是：一个英文字母占一个字节、一个中文占三个字节。

为了了解为什么乱码？，如何才能不乱码？
我们就要学习，计算机存储规则以及字符集。

计算机存储规则：

在计算机中，任意数据都是以二进制的形式存储的，如00111000，
一串二进制数就代表着某个数据
字节是计算机最小的存储单元。

字符集

一、字符集的介绍

字符集就像是一本字典，当电脑想要知道某串二进制数代表的真实数据，就需要查询该串二进制数在字典上所表示的数据，（字典上已经记录了该二进制数和真实数据的对应关系）。
而乱码出现的原因其实就是查错了字典，如，汉字字典用拼音表示，牛津字典用音标表示，当我们要查某个汉字时，拿牛津字典当然查到的不是正确的数据
例如：拼音tan表示的中文有很多，就拿“弹”来说，而在英文中tan的含义是“棕褐色的”
这就是不同字符集之间的差异；字符集是计算机二进制数据的字典。

字符集分类：

Ascii：

ASCII码是一种基于英文字符的编码系统，主要用于计算机通信。**标准ASCII码使用7个二进制位（每个字符占用一个位）来表示128个不同的字符。**这是因为2的7次方等于128，所以标准ASCII码能够表示的最大字符数量是128个。123
除此之外，还有一种称为扩展ASCII码的编码方式，它使用8个二进制位来表示额外的128个字符。这样，扩展ASCII码总共能表示256个字符，这包括了更多的符号类型，如拉丁字母、数字、标点符号以及一些特殊用途的控制字符。

只有英文的编码规则，一个英文占一个字节，前面补0，补齐八位
如：

一共才128个字符，也就是只要一个字节即可表示完，28 =256

GBK

简体中文版WINDOWS默认使用GBK字符集：系统显示：ANSI

有中文、英文的编码规则：

英文编码规则（完全兼容ASCII）：一个字节，不足8位，前面补0，如：

中文编码规则：每个汉字两个字节存储、高位字节二进制一定以1开头，转成十进制后是一个负数

为什么一定要是1开头呢？
- 为了和英文区分，而Ascii码英文以及字符一共才128个，最高位二进制一定是0
练习：

规则：

Unicode（完全兼容ASCII）

国际标准字符集，它将世界各种语言的每个字符定义为唯一的编码，以满足跨语言、跨平台的文本信息转换。

有中文、英文的编码规则（这里指的是Unicode的 UTF-8编码规则）
UTF-8的编码规则（二进制）：

用1-4个字节保存，
英文：1个字节（最高位是0），转成二进制是正数
中文：三个字节（最高位是1），第一个字节转成十进制是负数

”汉“ 查询Unicode是27721转换成二进制 01101100 01001001 UTF-8编码变成：11100110 10110001 10001001

注意：UTF-8不是一个字符集，它是Unicode字符集的一种编码方式！

练习：

了解完了字符集，应该也知道了乱码的原因了，

那么如何才能不乱码？

不要用字节流读取文本文件（一次只会读取一个字节，不管文本使用的是GBK还是Unicode编码规则，都会导致中文二进制部分的读取缺失）
编码、解码时使用同一个码表，同一个编码方式

编码就是把真实数据变成一串二进制数，
解码就是把这一串二进制数，使用一定的规则得到真实数据
编码方法的返回值是一个字节数组
解码方法的返回值是一个字符串

编码，解码使用同一个编码方式：

public class Test {
    public static void main(String[] args) throws UnsupportedEncodingException {


//文本
String str="Hello世界";

//编码
byte[] bytes1 = str.getBytes();//使用默认的编码方式UTF-8（我的系统），一个英文一个字节，一个中文三个字节
System.out.println(Arrays.toString(bytes1));//[72, 101, 108, 108, 111, -28, -72, -106, -25, -107, -116]

byte[] bytes2 = str.getBytes("GBK");//使用GBK编码方法，一个英文一个字节，一个中文两个字节
System.out.println(Arrays.toString(bytes2));//[72, 101, 108, 108, 111, -54, -64, -67, -25]

//解码：
String str2=new String(bytes1);//对bytes1使用默认的解码方式（UTF-8）
System.out.println(str2);//Hello世界-------无误

String str3=new String(bytes1,"GBK");//对bytes2使用GBK解码方法
System.out.println(str3);//Hello涓栫晫---------使用UTF-8编码，GBK解码，直接乱码，因为中文的存储规则不同

    }
}