Java编程的逻辑-理解数据背后的二进制

• 2.1 整数的二进制表示与位运算
  • 2.1.1 正整数的二进制表示
  • 2.1.2 负整数的二进制表示
  • 2.1.3 十六进制
  • 2.1.4 位运算
• 2.2 小数的二进制表示
  • 2.2.1 小数的计算为何会出错
  • 2.2.2 二进制的表示
• 2.3 字符的编码与乱码
  • 2.3.1 常见的非Unicode编码
• 2.3.2 Unicode编码
• 2.3.3 编码转换
• 2.3.4 乱码的原因
• 2.3.5 从乱码中恢复
• 2.4 char的真正含义

2.1 整数的二进制表示与位运算

2.1.1 正整数的二进制表示

2.1.2 负整数的二进制表示

• 负数的二进制表示就是对应的正数的补码。
• 补码:原码取反加1
• 原因：计算机只能做加法

  2.1.3 十六进制

• 0x
• Java7之前不支持直接写二进制常量，一般补足8位，用16进制表示
• Java7开始支持二进制常量 0b或0B

2.1.4 位运算

• 移位运算
  • 左移：« 向左移动，右边低位补0
  • 无符号右移：»> 向右移动，左边高位补0
  • 有符号右移：» 向右移动，左边补0或者补1取决于以前的最高位。
• 逻辑运算
  • 按位与
  • 按位或
  • 按位取反
  • 按位异或

2.2 小数的二进制表示

2.2.1 小数的计算为何会出错

不是运算本身会出错，而是计算机无法精确的表示很多数。

• 转化为整数进行运算，运算完成后再转换为小数
• 或者使用十进制的数据类型（BigDecimal）

2.2.2 二进制的表示

• float:32位
• double:64位

2.3 字符的编码与乱码

2.3.1 常见的非Unicode编码

1. ASCII
   • American Standard Code for Information Interhange 美国信息互换标准代码
   • 单字节，8位，最高位为0，表示127种字符
2. ISO 8859-1
   • 西欧
   • 单字节，8位
   • 0-127与ASCII码一致
3. Windows-1252
   • 与ISO 8859-1基本一致
   • 实际在应用中已经取代ISO 8859-1
4. GB2312
   • 固定双字节，16位
   • 在两个字节中，最高位都是1。如果是0，就认为是ASCII字符。
5. GBK
   • 向下兼容GB2312
   • 固定双字节，低字节的最高位可能为0。
   • 在解析二进制流的过程中，如果第一个字节的最高位为1，那么就将下一个字节读进来一起解析为一个汉字。而不用考虑它的最高位。解析完成后，跳到第三个字节继续解析。
6. GB18030
   • 向下兼容GBK
   • 变长编码，双字节或者4字节。
7. Big5
   • 固定双字节
   • 繁体

2.3.2 Unicode编码

• 给世界上所有的字符都分配了一个唯一的数字编号
• 并未规定这个编号对应到二进制表示

1. UTF-32
   • 字符编号的整数二进制形式
   • 4字节
   • 高位存放在前BE，否则LE
2. UTF-16
   • 变长，2字节或4字节
3. UTF-8
   • 使用字节数1-4不等

2.3.3 编码转换

编码转换改变了字符的二进制内容，但并没有改变字符看上去的样子。

2.3.4 乱码的原因

1. 解析错误
2. 错误的解析和编码转换

2.3.5 从乱码中恢复

1. 使用UltraEdit

2. 使用Java

        public static void recover(String str) 
            throws UnsupportedEncodingException {
            String[] charsets = new String[]{"windows-1252", "GB18030", "Big5", "UTF-8"};
            for(int i = 0; i < charsets.length; i++) {
                for(int j = 0; j < charsets.length; j++) {
                    if(i!=j) {
                        String s = new String(str.getBytes(charsets[i]), charsets[j]);
                        System.out.println("--- 原来编码(A)假设是："+charsets[j]+", 被错误解读为了(B):"+charsets[i]);
                        System.out.println(s);
                        System.out.println();
                    }
                }
            }
        }
   

   • getBytes 可以获取一个字符串的给定编码格式的二进制形式
   • String(byte bytes[], String charsetName)的构造方法可以给定的二进制数组bytes按照编码格式charsetName解读为一个字符串。

2.4 char的真正含义

• char本质上是一个固定占用两个字节的无符号正整数，这个整数对应于Unicode编号，这个正整数对应于Unicode编号对应的字符
• 由于固定占用两个字节，char只能表示Unicode编号在65536以内的字符
• 超过的部分使用两个char。

char的多种赋值方式：

char c = '马';
char c = 39532;
char c = 0x9a6c;
char c = '\u9a6c'