UNICODE与UTF8和GBK之间的关系

最近写一个Java程序，目标是将文件的编码格式转换，在这里整理一下编码的知识。

参考原文地址：http://wenku.baidu.com/view/50a93067783e0912a2162a86.html

编码：是指计算机中的二进制和字符集的对应关系。

编码格式：是指如何进行编码存储和传输。

===================笔记详情==============

• 一个字节被分为8位二进制，总共有256种编码方式。
• ANSI 标准：前127种编码用来表示英文大小写，数字标点，特殊用法等。
• GBK 标准：用两个字节来表示汉字，第一个字节成为高字节，第二个字节称为低字节。第一个字节大于127则表示 是一个汉字。这种被称为DBCS。
  
• 全角字符：把本来在ANSI中的的数字、标点、字母都统统重新编了两个字节长的编码。
• Unicode标准：ISO制定了一个双字节的字符集包含了世界上所有的字符，统一采用16位来统一表示所有的字符，对于ascii里的那些“半角”字符，UNICODE 包持其原编码不变，只是将其长度由原来的8位扩展为16位，而其他文化和语言的字符则全部重新统一编码。由于"半角"英文符号只需要用到低8位，所以其高 8位永远是0。
• 无论是什么语言，单位都被称为一个字符，对应的字节都是2个字节。可以组合出65535个不同的字符。
• UTF的产生：对可以用ASCII表示的字符使用UNICODE并不高效，因为UNICODE比ASCII占用大一倍的空间，而对ASCII来说高字节的0对他毫无用处。为了解决这个问题，就出现了一些中间格式的字符集，他们被称为通用转换格式，即UTF。
  
• UTF-8（8-bit Unicode Transformation Format）是一种针对Unicode的可变长度字符编码，又称万国码。由Ken Thompson于1992年创建。现在已经标准化为RFC 3629。UTF-8用1到4个字节编码UNICODE字符。用在网页上可以同一页面显示中文简体繁体及其它语言。
• UTF8的编码格式如下：
  
  
• 一下图为例：它选确定它有几个字节，然后按照字节数写入固定的格式，然后在X中填上原来的编码。
  
  

======================补充知识==========================

• 乱码：乱码在实际存储的时候是一个2进制数据。只是在解析的时候使用的字库是不同的，所以映射的东西和原来编辑的时候是不同的的。比如你原来写了一个“汉”，变成二进制以后就跟00XEF之类的差不多。但是显示的时候使用的是其它的字库。对应的可能是“■ē”之类的。
  

==============================缩写=================

• ANSI：American National Standards Institute（ANSI——美国国家标准学会）
• DBCS：Double Byte Charecter Set 双字节字符集。
• ISO：国际标准化组织
• UNICODE："Universal Multiple-Octet Coded Character Set" 简称 UCS ，俗称UNICODE
• UTF：Universal Transformation Format