教妹學Java(十)：Unicode字元集簡介

“二哥，上一篇文章中提到了 Unicode 字元集，說 Java 中的

char 類型之是以占 2 個位元組，是因為 Java 使用的是 Unicode 字元集而不是 ASCII 字元集，我有點迷，想了解一下，能細緻給我說說嗎？”

“當然可以啊。”

Unicode 是一種國際通用的标準字元編碼，能夠代表世界上大多數的書面語言。在 Unicode 字元集出現之前，已經存在不少字元集了，比如說：

ASCII，美國标準資訊交換碼，一共規定了 128 個字元的編碼，比如空格 SPACE 是 32（二進制 00100000），大寫的字母 A 是 65（二進制 01000001）。這 128 個符号（包括 32 個不能列印出來的控制符号），隻占用了一個位元組的後面 7 位，最前面的一位統一規定為 0。

ISO 8859-1，為西歐而生。英語用 128 個符号編碼就夠了，但是用來表示其他語言，128 個符号是不夠的。比如，在法語中，字母上方有注音符号，它就無法用 ASCII 碼表示。于是，一些歐洲國家就決定，利用位元組中閑置的最高位編入新的符号。比如，法語中的 é 的編碼為 130（二進制 10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多 256 個符号。

GB2312，簡體中文編碼方式。使用兩個位元組表示一個漢字，是以理論上最多可以表示 256 x 256 = 65536 個符号，因為漢字就多達 10 萬個左右，一個位元組隻能表示 256 種符号，肯定是不夠的。

它們引出了兩種問題：

一種特定的碼隻能隻能針對一種地區的語言标準。

不同字元集的編碼對應的位元組數不同，有的一個，有的兩個，有的更多，不夠統一。

世界上存在着多種編碼方式，同一個二進制數字可以被解釋成不同的符号。是以，要想打開一個文本檔案，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什麼電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。

如果有一種編碼，将世界上所有的符号都納入其中。每一個符号都給予一個獨一無二的編碼，那麼亂碼問題就會消失。這就是 Unicode，就像它的名字都表示的，這是一種所有符号的編碼。

Unicode 是一個很大的集合，現在的規模可以容納 100 多萬個符号。每個符号的編碼都不一樣，比如，U+0639表示阿拉伯字母 Ain，U+0041 表示英語的大寫字母 A，U+4E25 表示漢字嚴。具體的符号對應表，可以查詢 unicode.org，或者專門的漢字對應表。

Unicode 的一個字元占用 2 個位元組，是以 Java 的 char 類型也占用 2 個位元組。

本篇文章為《教妹學Java》專欄的第十篇文章，是不是有趣得很？我相信你能感受的到，這可是全網獨一份，我看到已經有人在模仿了。現在定價隻需 9.9 元，9.9 元你連一杯奶茶都買不到，但卻能買下二哥精心制作的專欄，據說 CSDN 已經考慮漲價了，畢竟已經賣出一百多份了。

我知道，購買專欄的同學都是沖着二哥的名聲來的，畢竟二哥是 CSDN 的明星部落客，哈哈。為表謝意，我再附送上個人微信（qing_gee），你有什麼問題都可以來咨詢。