字符集(unicode)是一张码表，它规定了文字与数字的一一对应关系。与计算机的内部表示没有必然的联系。
字符集：unicode，ascii
编码：UTF-8，UTF-16，GBK
字符集来说要正确编码转码一个字符需要三个关键元素：字库表（character repertoire）、编码字符集（coded character set）、字符编码（character encoding form）
字库表决定了整个字符集能够展现表示的所有字符的范围编码字符集，即用一个编码值code point来表示一个字符在字库中的位置字符编码，将编码字符集和实际存储数值之间的转换关系
unicode就是上文中提到的编码字符集，而UTF-8就是字符编码，即unicode规则字库的一种实现形式.
如果直接存储字符集unicode，过于浪费空间（比如英文前缀基本都是0），这时候引入字符编码utf-8，针对字符集做一层转换优化
UTF-8
每次8个位传输数据
变长编码，根据不同的符号而变化字节长度。最小编码单位（code unit）为一个字节。一个字节的前1-3个bit为描述性部分，后面为实际序号部分
Unicode的编号从0000开始一直到10FFFF共分为17个Plane
UTF-8则只实现了第一个Plane，范围是\u0000-\uFFFF
使用3byte来表示汉字，使用1byte存储英文
Emoji就是一种在Unicode位于\u1F601-\u1F64F区段的字符，存入UTF-8数据库会报错，原因是超出UTF-8的解析范围。
解决方案1：升级MySQL到5.6或更高版本，并且将表字符集切换至utf8mb4
解决方案2：在入库时做Emoji字符替换成一段特殊的文字编码再入库
GBK
gbk使用双字节编码，2byte来表示汉字，2byte来表示英文
只有在存储信息中文占比多的时候会使用gbk存储，减少磁盘I/O，数据库cache，以及网络传输时间
为什么国内还有这么多使用 GBK 等编码的人？因为 UTF-8等编码体积比较大，占电脑空间比较多，如果面向的使用人群绝大部分都是中国人，用 GBK 等编码也可以。
乱码
编码和解码时用了不同或者不兼容的字符集，由于两个字符集的字库表不一样，同一个汉字在两个字符表的位置也不同，最终就会出现乱码
注意解码时一定要指定字符集，否则将会使用默认的字符集进行解码。如果使用了错误的字符集，则会出现乱码。
- Java的默认字符集，可以在两个地方设定，一是执行java程序时使用-Dfile.encoding参数指定，例如-Dfile.encoding=UTF-8就指定默认字符集是UTF-8。二是在程序执行时使用Properties进行指定
- 默认字符集的优先级如下：
1.程序执行时使用Properties指定的字符集；
2.java命令的-Dfile.encoding参数指定的字符集；
3.操作系统默认的字符集；
4.JDK中默认的字符集，我跟踪了JDK1.8的源代码，发现其默认字符集指定为ISO-8859-1。
网友评论