我都服了，为啥上游接口返回的汉字总是乱码？-技术圈

前言

想必大家编写代码时肯定和我一样，也遇到过汉字乱码的问题。特别是，有时候和上下游对接接口，不能统一编码格式的话，一堆乱码问题，让人头皮发麻。

那么为什么会有这么多的乱码问题？

什么是字符编码？什么是字符集？他们之间有什么区别和联系？

什么是 Unicode ？Unicode 和我们常说的 UTF-8 又有什么关系？

字符编码和解码

要想搞清楚上面的问题，首先我们要知道，在计算机中，不管是一段文字、一张图片还是一段视频，最终都是以二进制的方式来存储。也就是最终都会转化为 0001 1011 0010 0110 这样的格式。

换句话说，计算机只认识 0 和 1 这样的数字，并不能直接存储字符。所以我们需要告诉它什么样的字符对应的是什么数字。

例如，我们的业务中有记录客户端的客户行为日志，然后导出文件来分析，字段间会以 ESC 来分隔。

我在编写代码的时候，就需要定义一下这个ESC 字符应该对应什么数字，这样计算机才能识别并存储。

比如我把它定为 0001 1011，这样计算机就把 ESC 这个字符存了下来。等我下次需要查看的时候，根据对应关系把它解出来就可以了。

上边的两个过程就对应字符的编码和解码过程。

字符编码就是把字符按一定的规则，转换成数字。字符解码是编码的逆过程，即把数字按规则转换成字符。

这样看来，貌似没有什么问题。

但是，这是我自己定义的编码规则，我同桌阿霄就不乐意了。他非要认为 ESC 应该定义为 1101 1000，好家伙正好和我定义的二进制数字顺序相反。

那结果肯定不用说了，我把 0001 1011 这串数字给他之后，按照他的编码规则来解，肯定是 &$#!这样的东西。

所以，乱码问题说到底，就是编码和解码的规则对应不上导致的。

ASCII 码

为了避免我和阿霄因为编码问题打起来，美国国家标准学会（AMERICAN NATIONAL STANDARDS INSTITUTE） ANSI 组织发话了。

停、停、停。不就是个编码问题吗，这种小事犯不着动手，我定义一个统一的规则，大家都按照我的规则来编码和解码不就好了嘛。

于是，ASCII 码出现了，它定义了一个常用字符集，用来表示字符和数字的对应关系，如下表。

ASCII 码全称：美国信息交换标准代码 (American Standard Code for Information Interchange)

我一查表，ESC 字符不就对应 27 吗，对应的二进制就是 0001 1011 。我去，没想到我定义的规则竟和 ANSI 不谋而合。

同桌阿霄把抡在空中的拳头收了起来，默默地回去敲代码了。

ASCII 码扩展码

在使用英语的国家，ASCII 码就足够用了。但是，在其他欧洲发达国家比如法国，使用的语言是法语，有类似于这样的 á 符号，ASCII 码就不能表示了。那怎么办呢？

我们看上表就会发现，ASCII 码表的表示范围是十进制 0~127，也就是二进制 0000 0000 到 0111 1111 。其实只是用了后边的 7 位，第一位都是 0 。

而计算机二进制中一个字节是 8 个位，现在只用了 7 位。不行啊太浪费了，要充分利用第一个高位，扩展一下，这样多了一位，能表示的字符范围就多了一倍。（2的8次方=256）

这样一些欧洲其他国家，也能在计算机中表示自己的文字了。

后来，随着计算机的普及，中国的用户也多了起来。却发现，一个字节只能表示 256 个字符，远远不能满足我们的要求。

于是，就出现了 GB2312 编码，它使用了两个字节来表示一个汉字。但是，并没有把所有的位都用完，前面一个字节范围 0xA1 ~ 0xF7 （即 10110001 ~ 11110111），后面一个字节范围 0xA1 ~ 0xFE （即 10110001 ~ 11111110）。这样就能表示简体汉字 6763 个。

GB2312 是国家标准总局发布的《信息交换用汉字编码字符集》，也可以说是简体中文的字符集。

但是，台湾和香港等使用繁体字的地区怎么办。于是，就有了大五码 Big5 编码来存储繁体。高字节（第一个字节）表示范围 0x81~0xFE，低字节（第二个字节）表示范围 0x40 ~ 0x7E，以及0xA1 ~ 0xFE 。

需要注意的是，GB2312 是简体中文，Big5 是繁体中文。如果用其中一种编码文字去读另外一种编码文字就会乱码。所以，就出来了 GBK 编码，把简体中文和繁体中文，以及一些 GB2312 不支持的人名（如历代总理有的名字用 GB2312 打不出来），还有一些我们不认识的古汉语都包含进去，共 2 万多个字符。

再然后，我们发现少数民族像藏文，蒙古文这些少数民族的语言，GBK 也支持不了，就再进行扩展，出现了 GB18030 。又多了几千个少数民族的文字。

所以，我们使用的 GB 国标系列文字都是在 ASCII 码之上扩展的，它们是依次向下兼容的。表示文字范围从小到大为 GB2312 = Big5 < GBK < GB18030 。

Unicode 字符集

我们在打开一个文档之前，就必须要知道它的编码格式，否则用错误的方式解码就会出现乱码情况。

设想，如果一个文本中，有多种类型文字，包括中文，韩语，德语，日语，应该用哪种编码方式？貌似怎么处理都会有乱码问题，那怎么办呢？

ISO（国际标准化组织）说：这好办啊，我把地球上，只要是人们使用的，所有语言和符号都囊括其中，为每个字符都指定一个唯一的字符码，这样就没有乱码问题了。于是 Unicode 出现了，又叫统一码，万国码。

如上图表，汉字“一”对应的 unicode 码是 \u4e00。我们通常在字符码前加个 \u代表这是 unicode 码。4e00 是十六进制表示。

也有很多在线转码工具供我们使用，如：http://tool.chinaz.com/tools/unicode.aspx

Unicode 编码方案

首先强调一下以下几个概念的区别：

字符：就是我们看到的一个字母或一个汉字、一个标点符号都叫字符。如上边的汉字“一”就是一个字符。
字符码：在指定的字符集中，一个字符对应唯一一个数字，这个数字就叫字符码。如上边的字符“一”，在 Unicode 字符集中，对应的字符码为 \u4e00。
字符集：规定了字符和字符码之间的对应关系。
字符编码：规定了一个字符码在计算机中如何存储。

需要注意的是，Unicode 只是一个字符集，它规定了每个字符对应的唯一字符码，却没有规定这个字符码在计算机中怎样存储（也就是它的字符编码格式）。

例如，上边的汉字“一”，它的 Unicode 字符码为 \u4e00，转换成二进制就是 100 1110 0000 0000 。可以看到，它有 15 位二进制数，至少需要两个字节来存储。

这只是简单的汉字，如果其他复杂的字符有可能会需要三、四个字节或者更多字节来存储。

那么到底应该用几个字节来存储呢？

于是 UTF-32 编码 制定了标准，一个字符就用四个字节来表示。这样编码和解码都方便，固定取 32 位二进制就行了。

但是这样又引来一个问题。比如 A 字符其实只需要一个字节就可以存储了。如果必须要用四个字节来存储，那么前边三个字节都要补 0 ，这样势必会造成空间的浪费。

于是 UTF-16 编码（一个字符用两个字节或者四个字节）和我们熟悉的 UTF-8 编码格式就出现了。

这里我们重点介绍 UTF-8 。它使用一种变长的编码方式，可以使用 1~4 个字节来表示一个字符。根据不同的字符变换长度。

变长听起来很美好，但是它的不固定性，就让计算机懵逼了。比如，计算机怎么知道这四个字节代表的是一个字符，还是四个字符，亦或是两个字符呢？

于是，UTF-8 规定了以下编码规则，来避免以上问题。

对于单字节的符号，第一位设为0，后边 7 位对应这个字符的ASCII码值。因此，像“A"这样的英文字母，UTF-8 编码和 ASCII 编码是相同的。
对于大于一个字节的符号，假设为 n 字节，那么第一个字节的前 n 位都设为 1，这样有几个 1 就说明有几个字节。然后，第 n+1 位设为0 。后边的字节，前两位都设为10 ，剩余的其他二进制位都用这个字符的 Unicode 码填充（从后向前填充，不够补0）。

刚开始看上表，可能比较懵逼。其实，Unicode 符号表示的范围最大为四个字节，因此二进制为 4*8=32 位。我们知道，二进制转换十六进制时，以四位为一个单位转换，因此，对应的十六进制为 32/4=8 位。

上表中的 Unicode 符号范围是以 16 进制表示，可以看到就是 8 位的。

我们还是以汉字 “一” 为例，16进制表示为 4e00，补全所有位，其实就是 0000 4E00 （不区分大小写）。因此，查上表发现，它处在三个字节的 Unicode 范围内（0000 0800 < 0000 4e00 < 0000 FFFF）。

所以，它用 UTF-8 来编码，就是三个字节的，即格式是这样的 1110xxxx 10xxxxxx 10xxxxxx 。

把 4e00 转换为二进制为 100 1110 0000 0000，二进制位从后向前依次填充到上述格式中的x位置（也是从后向前填充）。

于是，就得出汉字 “一” 的 UTF-8 编码后的二进制表示为：1110 0100 1011 1000 1000 0000 。

其实，可以发现，汉字的二进制为 15 位，前边补零一位即为 16 位 0100 1110 0000 0000。而三个字节的 UTF-8 编码格式中的 x 个数也为 3*8 - (4+2+2) = 16 位，正好一一对应。

那么，我们这一通推算，是否正确呢。可以在程序中打印这个字符的二进制格式，以及UTF-8编码后的二进制。程序如下，

public class Test {
    public static void main(String[] args) throws UnsupportedEncodingException {
        System.out.println("字符'一'的二进制为：" + Integer.toBinaryString('一'));
        System.out.println("========");
        String str = "一";
        System.out.println("转换为UTF-8编码格式的二进制为："+ toBinary(str,"utf-8"));
    }

    public static String toBinary(String str, String encode) throws UnsupportedEncodingException {
        StringBuilder sb = new StringBuilder();
        byte[] bytes = str.getBytes(encode);
        for (int i = 0; i < bytes.length; i++) {
            byte b = bytes[i];
            sb.append(Integer.toBinaryString(b & 0xFF));
        }
        return sb.toString();
    }

}

打印结果为：

字符'一'的二进制为：100111000000000
========
转换为UTF-8编码格式的二进制为：111001001011100010000000

PS：通常的，我们发现常用的汉字以 16 进制表示都在 0000 0800 ~ 0000 FFFF 范围内。因此，汉字在 UTF-8 编码下通常占用三个字节。

细心的同学可能发现了，我上边转换的汉字可以用 char 类型来存储，这是为什么呢？

这是因为，在 Java 中，默认使用的字符集就是 Unicode，可以容纳 100 多万个字符，其中就包括汉字。

我们使用的绝对大多数汉字，都在0000 0800 ~ 0000 FFFF 这个范围内，可以看出来前边的四位十六进制都用不到（都是0000），因此，只需要后边的四位十六进制位，转换为二进制就是 4*4=16 位，只占用了两个字节（16/8=2）。而 char 在 Java 中占用两个字节，完全可以用来存储汉字。

总结

最后，来解答下文章开头的问题。

乱码的问题，究其根本原因，其实是编码和解码时的规则不一样导致的。

字符编码和字符集是两个不同的概念。一句话表示：字符集定义了字符到数字的映射关系，字符编码定义了这个数字如何在计算机中表达（存储）。

对于 ASCII 和 GB 系列，他们既是字符集也是字符编码。GB 兼容 ASCII 码。

而对于 Unicode 来说，字符集是 Unicode，而字符编码可以是 UTF-8，UTF-16 和 UTF-32 。所以，我们平时常用的 UTF-8 编码其实只是 Unicode 的一种编码实现方式而已。

有道无术，术可成；有术无道，止于术

欢迎大家关注Java之道公众号

好文章，我在看❤️