编码方式总结_限器朗90ffe0

由于写文件上传的时候讲文件byte[]变成String进行截取，然后再将截取的字符串变成byte[]，结果发现最后得到的文件变成这样：
正确的：

错误的：

对比发现
FFD8 ====》3F(?)
FFE0 ====》3F(?)
然后我就怀疑是编码的问题，猜测是byte[]=>String=>byte[]的时候将内容改变了，然后将编码格式改成iso8859-1。然后就对了。所以就顺便学了一把编码的知识，在这里进行总结
## 各种编码方式 ##

iso8859-1：
属于单字节编码，最多能表示的字符范围是0-255，应用于英文系列。比如，字母’a’的编码为0x61=97。 ISO-8859-1编码是单字节编码，向下兼容ASCII，其编码范围是0x00-0xFF，0x00-0x7F之间完全和ASCII一致，0x80-0x9F之间是控制字符，0xA0-0xFF之间是文字符号。
GBK
全称叫《汉字内码扩展规范》，是国家技术监督局为 windows95 所制定的新的汉字内码规范，它的出现是为了扩展 GB2312，加入更多的汉字，它的编码范围是 8140~FEFE（去掉 XX7F且低位没有FF）总共有 23940 个码位，它能表示 21003 个汉字，它的编码是和 GB2312 兼容的，也就是说用 GB2312 编码的汉字可以用 GBK 来解码，并且不会有乱码。
UTF
UTF-16 具体定义了 Unicode 字符在计算机中存取方法。UTF-16 用两个字节来表示 Unicode 转化格式，这个是定长的表示方法，不论什么字符都可以用两个字节表示，两个字节是 16 个 bit，所以叫 UTF-16。UTF-16 表示字符非常方便，每两个字节表示一个字符，这个在字符串操作时就大大简化了操作，这也是 Java 以 UTF-16 作为内存的字符存储格式的一个很重要的原因。
UTF-8
UTF-16 统一采用两个字节表示一个字符，虽然在表示上非常简单方便，但是也有其缺点，有很大一部分字符用一个字节就可以表示的现在要两个字节表示，存储空间放大了一倍，在现在的网络带宽还非常有限的今天，这样会增大网络传输的流量，而且也没必要。而 UTF-8 采用了一种变长技术，每个编码区域有不同的字码长度。不同类型的字符可以是由 1~6 个字节组成。
有以下编码规则：
如果一个字节，最高位（第 8 位）为 0，表示这是一个 ASCII 字符（00 - 7F）。可见，所有 ASCII 编码已经是 UTF-8 了。
如果一个字节，以 11 开头，连续的 1 的个数暗示这个字符的字节数，例如：110xxxxx 代表它是双字节 UTF-8 字符的首字节。
如果一个字节，以 10 开始，表示它不是首字节，需要向前查找才能得到当前字符的首字节
总结：
****Java中String是Unicode码，也可以说是UTF-16，但Unicode和UTF的关系应该是：Unicode是一张编码表，记录了字符对应的码，但真正实现是在UTF上，存储和传输都是用UTF
对于 String new String (byte[]) 以及String.getbytes()
我认为String可以看做像c语言的char[] ,里面存储字符的Unicode码，每个字符两字节，如“中”输出他的char toHexString() 会看到是\u4e2d
然后new String (byte[])是将byte[] 按照编码方式解析成Unicode，至于怎么将不同的编码方式的byte[]变成Unicode，如GBK=》Unicode，我不清楚。
String.getbytes()方法是将String按照编码方式变成byte[];
我以前一直以为String和产生的byte[]是一样的东西，以为String的底层就是他的byte[]，但其实String是Unicode，他产生的byte[]是和他不一样的，**
这里参考这个文章的内容：

https://www.ibm.com/developerworks/cn/java/j-lo-chinesecoding/

然后我发现“中”字输出getbytes(“utf-16”)输出4个字节，就很奇怪不是utf-16是定长2字节吗，查了资料发现

以汉字”严“为例，Unicode码是4E25，需要用两个字节存储，一个字节是4E，另一个字节是25。存储的时候，4E在前，25在后，就是Big
endian方式；25在前，4E在后，就是Little endian方式。 第一个字节在前，就是”大头方式“（Big
endian），第二个字节在前就是”小头方式“（Little endian）。
那么很自然的，就会出现一个问题：计算机怎么知道某一个文件到底采用哪一种方式编码？
Unicode规范中定义，每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符的名字叫做”零宽度非换行空格“（ZERO WIDTH
NO-BREAK SPACE），用FEFF表示。这正好是两个字节，而且FF比FE大1。 如果一个文本文件的头两个字节是FE
FF，就表示该文件采用大头方式；如果头两个字节是FF FE，就表示该文件采用小头方式。

所以前两个字节是标志Little-endian||big-endian

–所以就明白为什么上次文件上传的时候会把FFD8变成3f了，是因为平台默认是GBK，我没有设置编码集的情况下，将byte按照GBK方式变成String，GBK两个字节两个字节的读，发现FFD8超过范围，就变成3f,
但是iso8859-1是单字节读，所以不会改变