中文转unicode，中文转bytes，unicode转bytes java实现

标签：java实现   格式   组成   logs   汉字   中汉字   string   bytes   bsp   

utf-8

utf-8格式的中文由三位字节组成。

UTF-8的编码规则很简单，只有二条：
1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。
2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。
下表总结了编码规则，字母x表示可用编码的位。
Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

1.中文转unicode

    public static String toUnicode(String s) {
        String as[] = new String[s.length()];
        String s1 = "";
        for (int i = 0; i < s.length(); i++) {
            as[i] = Integer.toHexString(s.charAt(i) & 0xffff);
            s1 = s1 + "\\u" + as[i];
        }
        return s1;
    }

2.中文转bytes

byte[] b=s.getBytes("utf-8");

3. unicode转bytes

/*
     *  unicode转到utf-8的转换过程。
     *  @param 要进行转换的汉字
     *  @return 16进制表示的汉字UTF-8编码字节序列 /
     */
    public static String unicode2utf8(char input){
        //1 Byte=8byte 16位取值范围00~ff
        //input 两个字节 16位取值范围为4E00~9FA5
        int lowByte = input & 0x00ff;
        int highByte = (input & 0xff00) >>> 8;

        // UTF-8的第1个字节是1110 + highByte高4位
        int high4inHighByte = (highByte& 0xf0) >>> 4;
        int utf8Byte1 = (7 << 5) + high4inHighByte;
        
        // UTF-8的第2个字节是10 + highByte低4位 + lowByte高2位
        int low4inHighByte = highByte & 0x0f;
        int high2inLowByte = (lowByte& 0xc0) >>> 6;
        int utf8Byte2 = (1 << 7) + (low4inHighByte << 2) + high2inLowByte;

        // UTF-8的第3个字节是10 + lowByte低6位
        int utf8Byte3 = (1 << 7) + (lowByte & 0x3f);
        String result = Integer.toHexString(utf8Byte1) + "," + Integer.toHexString(utf8Byte2) + ","
                + Integer.toHexString(utf8Byte3);
        return result;
    }

gbk

GBK编码，是对GB2312编码的扩展，因此完全兼容GB2312-80标准。GBK编码依然采用双字节编码方案，其编码范围：8140－FEFE，剔除xx7F码位，共23940个码位。共收录汉字和图形符号21886个，其中汉字（包括部首和构件）21003个，图形符号883个。GBK编码支持国际标准ISO/IEC10646-1和国家标准GB13000-1中的全部中日韩汉字，并包含了BIG5编码中的所有汉字。GBK编码方案于1995年12月15日正式发布，这一版的GBK规范为1.0版。

GBK 亦采用双字节表示，总体编码范围为 8140-FEFE，首字节在 81-FE 之间，尾字节在 40-FE 之间，剔除 xx7F 一条线。总计 23940 个码位，共收入 21886 个汉字和图形符号，其中汉字（包括部首和构件）21003 个，图形符号 883 个。

全部编码分为三大部分：

1. 汉字区。包括：
a. GB 2312 汉字区。即 GBK/2: B0A1-F7FE。收录 GB 2312 汉字 6763 个，按原顺序排列。
b. GB 13000.1 扩充汉字区。包括：
(1) GBK/3: 8140-A0FE。收录 GB 13000.1 中的 CJK 汉字 6080 个。
(2) GBK/4: AA40-FEA0。收录 CJK 汉字和增补的汉字 8160 个。CJK 汉字在前，按 UCS 代码大小排列；增补的汉字（包括部首和构件）在后，按《康熙字典》的页码/字位排列。
(3) 汉字“〇”安排在图形符号区GBK/5：A996。

2. 图形符号区。包括：
a. GB 2312 非汉字符号区。即 GBK/1: A1A1-A9FE。其中除 GB 2312 的符号外，还有 10 个小写罗马数字和 GB 12345 增补的符号。计符号 717 个。
b. GB 13000.1 扩充非汉字区。即 GBK/5: A840-A9A0。BIG-5 非汉字符号、结构符和“〇”排列在此区。计符号 166 个。

3. 用户自定义区：分为(1)(2)(3)三个小区。
(1) AAA1-AFFE，码位 564 个。
(2) F8A1-FEFE，码位 658 个。
(3) A140-A7A0，码位 672 个。
第(3)区尽管对用户开放，但限制使用，因为不排除未来在此区域增补新字符的可能性。

举例：

        String s="中文";
                byte[] b=s.getBytes("gbk");

bytes为

[-42, -48, -50, -60]

补码为：

【214,208,206,196】

转换为十六进展为

【D6，D0，CE,C4】

按照gbk表去查询汉字

编码完全匹配。

中文转unicode，中文转bytes，unicode转bytes java实现

标签：java实现   格式   组成   logs   汉字   中汉字   string   bytes   bsp   

原文地址：http://www.cnblogs.com/davidwang456/p/7576066.html