中文的几种编码:

UNICODE --- JAVA默认的编码. ---其实就是UTF-16编码.

            这是最统一的编码，可以用来表示所有语言的字符，

            而且是定长双字节（也有四字节的）编码，包括英文字母在内。

            所以可以说它是不兼容iso8859-1编码的，也不兼容任何编码。

            不过，相对于iso8859-1编码来说，uniocode编码只是在前面增加了一个0字节.

            双字节码点: 　称为"非代理码点"---范围: 0~D7FF  以及 E000~FFFF；

            四字节码点:　 称为"代码对surrogate pair"

                高字节, 其值称为"高代理码点high-surrogate"：其范围为: '\uD800'-'\uDBFF'

                低字节, 其值称为"低代理码点low-surrogate" : 其范围为: '\uDBFF'-'\uDC00'

                低代理码点之前只能是一个高代理码点，

                            而不能是另一个低代理码点、一个非代理码点或者是文本的开头。

                高代理码点的后面也只能跟一个低代理码点，

                            而不能是另一个高代理码点、一个非代理码点或者是文本的结尾。

             从这里看到 高代理码点 和 低代理码点 和 非代理码点 的范围都是独立的,

             所以, 任取一个双字节, 就可以判断其是 高代理,还是低代理, 还是非代理码点.

             这样, 确定字符边界最多只需要扫描前一个或后一个编码单元，而不需考虑其他部分。

            只要 不删掉 代理对 中的任一编码单元，

                或者 只要 不在代理对中高低代码码点间插入另外的字符,

                就可以保证数据的完整性。

                而且，即便数据被破坏了，错误也是局部的。

            其实, 通常, 代理对非常罕见，非代理码点将非常普遍。

                这样, 可以提高效率,

                甚至, 可允许一些处理过程可以不对代理对采取特别的操作，

                        或者使用已有处理字符序列的机制来处理代理对。

            有人要问, 这些高代理点/低代理点的知识有用吗?
            我就举个例子, String类中有如下这些方法
                public int codePointAt(int index)  
                public int codePointBefore(int index)
                public int codePointCount(int beginIndex, int endIndex)
                public int offsetByCodePoints(int index, int codePointOffset)
            只有懂了高代理点/低代理点 这些知识, 才能说看得懂这4个方法.

GB2312 ---  早期的, 只支持简体, 兼容: ISO-8859-1, 即扩展的ASCII编码.

            现在基本不用, 多用下面要说的GBK.

GBK    ---  WIN默认的编码.

            兼容GB2312, 也支持繁体.

            与unicode兼容, 收录了2万多个汉字字符;

            每一个字符2个字节.

            (但对于单字节的英文字符, 其只占1个字节, 以原版ASCII码存在,

                ------- 这个我已经验证过了)

            字库的编码范围:

                字库的编码范围: 0x8140~0xFEFE.

                    首字节: 81-FE

                    次字节: 40-FE

                    为什么要首字节要从81开始呢? 因为要有别于单字节的ASCII字符.

                其中用户自定义区:

                    (1) AAA1-AFFE，码位 564 个。

                    (2) F8A1-FEFE，码位 658 个。

                    (3) A140-A7A0，码位 672 个。

            可参见 http://ff.163.com/newflyff/gbk-list/

                这里是一些关于每一个汉字的编码, 从0xA1A0---0xFEAF

                注意, 这里涉及的一些字母并不是英文字符, 而是我们常说的"双字节"的字符!

                        "单字节"的字符是放在0x0000--0x00ff这个扩展ASCII区域.

                        ---这里的"单字节", 实际上仍然占用2个字节空间的.

UTF-8   --- LINUX默认的编码.

            编码兼容iso8859-1编码，同时也可以用来表示所有语言的字符，

            不过，utf编码是不定长编码，每一个字符的长度从1-6个字节不等。

            英文字母都是用一个字节表示，而汉字使用三个字节。

            另外，utf编码自带简单的校验功能。

注意，

虽然说utf是为了使用更少的空间而使用的，但那只是相对于unicode编码来说;

如果已经知道是汉字，则使用GB2312/GBK无疑是最节省的。

不过另一方面，值得说明的是，虽然utf编码对汉字使用3个字节，

但即使对于汉字网页，utf编码也会比unicode编码节省，

因为网页中包含了很多的英文字符。

中文的几种编码:

UNICODE --- JAVA默认的编码. ---其实就是UTF-16编码.

            这是最统一的编码，可以用来表示所有语言的字符，

            而且是定长双字节（也有四字节的）编码，包括英文字母在内。

            所以可以说它是不兼容iso8859-1编码的，也不兼容任何编码。

            不过，相对于iso8859-1编码来说，uniocode编码只是在前面增加了一个0字节.

            双字节码点: 　称为"非代理码点"---范围: 0~D7FF  以及 E000~FFFF；

            四字节码点:　 称为"代码对surrogate pair"

                高字节, 其值称为"高代理码点high-surrogate"：其范围为: '\uD800'-'\uDBFF'

                低字节, 其值称为"低代理码点low-surrogate" : 其范围为: '\uDBFF'-'\uDC00'

                低代理码点之前只能是一个高代理码点，

                            而不能是另一个低代理码点、一个非代理码点或者是文本的开头。

                高代理码点的后面也只能跟一个低代理码点，

                            而不能是另一个高代理码点、一个非代理码点或者是文本的结尾。

             从这里看到 高代理码点 和 低代理码点 和 非代理码点 的范围都是独立的,

             所以, 任取一个双字节, 就可以判断其是 高代理,还是低代理, 还是非代理码点.

             这样, 确定字符边界最多只需要扫描前一个或后一个编码单元，而不需考虑其他部分。

            只要 不删掉 代理对 中的任一编码单元，

                或者 只要 不在代理对中高低代码码点间插入另外的字符,

                就可以保证数据的完整性。

                而且，即便数据被破坏了，错误也是局部的。

            其实, 通常, 代理对非常罕见，非代理码点将非常普遍。

                这样, 可以提高效率,

                甚至, 可允许一些处理过程可以不对代理对采取特别的操作，

                        或者使用已有处理字符序列的机制来处理代理对。

            有人要问, 这些高代理点/低代理点的知识有用吗?
            我就举个例子, String类中有如下这些方法
                public int codePointAt(int index)  
                public int codePointBefore(int index)
                public int codePointCount(int beginIndex, int endIndex)
                public int offsetByCodePoints(int index, int codePointOffset)
            只有懂了高代理点/低代理点 这些知识, 才能说看得懂这4个方法.

GB2312 ---  早期的, 只支持简体, 兼容: ISO-8859-1, 即扩展的ASCII编码.

            现在基本不用, 多用下面要说的GBK.

GBK    ---  WIN默认的编码.

            兼容GB2312, 也支持繁体.

            与unicode兼容, 收录了2万多个汉字字符;

            每一个字符2个字节.

            (但对于单字节的英文字符, 其只占1个字节, 以原版ASCII码存在,

                ------- 这个我已经验证过了)

            字库的编码范围:

                字库的编码范围: 0x8140~0xFEFE.

                    首字节: 81-FE

                    次字节: 40-FE

                    为什么要首字节要从81开始呢? 因为要有别于单字节的ASCII字符.

                其中用户自定义区:

                    (1) AAA1-AFFE，码位 564 个。

                    (2) F8A1-FEFE，码位 658 个。

                    (3) A140-A7A0，码位 672 个。

            可参见 http://ff.163.com/newflyff/gbk-list/

                这里是一些关于每一个汉字的编码, 从0xA1A0---0xFEAF

                注意, 这里涉及的一些字母并不是英文字符, 而是我们常说的"双字节"的字符!

                        "单字节"的字符是放在0x0000--0x00ff这个扩展ASCII区域.

                        ---这里的"单字节", 实际上仍然占用2个字节空间的.

UTF-8   --- LINUX默认的编码.

            编码兼容iso8859-1编码，同时也可以用来表示所有语言的字符，

            不过，utf编码是不定长编码，每一个字符的长度从1-6个字节不等。

            英文字母都是用一个字节表示，而汉字使用三个字节。

            另外，utf编码自带简单的校验功能。

注意，

虽然说utf是为了使用更少的空间而使用的，但那只是相对于unicode编码来说;

如果已经知道是汉字，则使用GB2312/GBK无疑是最节省的。

不过另一方面，值得说明的是，虽然utf编码对汉字使用3个字节，

但即使对于汉字网页，utf编码也会比unicode编码节省，

因为网页中包含了很多的英文字符。