我们部门底层的web应用有一套处理编码的流程机制，主要处理因历史原因或者跨部门产品之间gbk和utf8剪不清理还乱的关系。
前2天同事有询问相关编码的问题，在此做个整理，希望能够对大家有所帮助。
首先是编码的历史，这是一个很有意思的解读http://www.blogjava.net/iamct/articles/374954.html。写的很幽默，便于理解。
下面主要写于与java想关的编码，主要解读unicodehttp://zh.wikipedia.org/wiki/Unicode%E5%AD%97%E7%AC%A6%E5%B9%B3%E9%9D%A2%E6%98%A0%E5%B0%84 ，utf8 和gbk。
JVM里面的任何字符串资源都是Unicode，就是说，任何String类型的数据都是Unicode编码。没有例外，因此我们可以这么说，JVM里面的String是不带编码的。因为他就有且只对应一种Unicode。
一个字符的Unicode编码是确定的。也就是说Unicode是一种字符集，里面字符与编码是一一对应的，这里有个码表可查,unicode 码表。但是在实际传输过程中，由于不同系统平台的设计不一定一致，以及出于节省空间的目的，对Unicode编码的实现方式有所不同。Unicode的实现方式称为Unicode转换格式（Unicode Transformation Format，简称为UTF）。我们常用的就是UTF8.
UTF8是如何存储一个Unicode编码的呢。也就是utf8作为一种Unicode Transformation Format是如何工作的呢？
首先utf8 是可变长的，UTF-8使用一至四个字节为每个字符编码。参照下表，我们把精力放在第1列，第3列，和注释。
对于ASCII字符，可以用七个bit位来表示，x6 x5 x4 x3 x2 x1 x0.第八个bit永远是0。
第128到2047个字节，要用10个bit来表示，110yyyyy(C0-DF) 10zzzzzz(80-BF)
第2048到65535个字节，要用16个bit来表示，Utf-8把这些字节编成下面这样的三个byte。1110xxxx(E0-EF) 10yyyyyy 10zzzzzz
大于65535其余用4个byte来表示。
举个例子：“中国”的中，unicode编码是“\u4e2d", 对应的编码除了查表，java可以用命令行，运行 native2ascii 进行转化。
用window 自带的附件中的计算器（查看->科学型），转化成10进制为20013，二进制是100111000101101
通过上面的表，可知，转化成utf8后为三个字节。
只需要将刚才转化的二进制（上面标红的）将下面的xxxx，yyyyyy，zzzzzz补齐即可。
1110xxxx(E0-EF) 10yyyyyy 10zzzzzz，我们从低位开始补起，不够的用0补齐。
11100100 10111000 10101101 ，换成16进制为E4 B8 AD。
好了我们用java代码来验证下，是否正确。
public static void main(String[] args) {
String ha = "中";
byte b[] = null;
try {
b = ha.getBytes("utf-8");
} catch (Exception e) {
System.exit(-1);
}
for (int i = 0; i < b.length; i++) {
System.out.print(Integer.toHexString(b[i]).substring(6) + " ");
}
}
输出果然是：e4 b8 ad。
utf8 wiki中有下描述：
对于UTF-8编码中的任意字节B，如果B的第一位为0，则B为ASCII码，并且B独立的表示一个字符;
如果B的第一位为1，第二位为0，则B为一个非ASCII字符（该字符由多个字节表示）中的一个字节，并且不为字符的第一个字节编码;
如果B的前两位为1，第三位为0，则B为一个非ASCII字符（该字符由多个字节表示）中的第一个字节，并且该字符由两个字节表示;
如果B的前三位为1，第四位为0，则B为一个非ASCII字符（该字符由多个字节表示）中的第一个字节，并且该字符由三个字节表示;
如果B的前四位为1，第五位为0，则B为一个非ASCII字符（该字符由多个字节表示）中的第一个字节，并且该字符由四个字节表示;
因此，对UTF-8编码中的任意字节，根据第一位，可判断是否为ASCII字符;根据前二位，可判断该字节是否为一个字符编码的第一个字节; 根据前四位（如果前两位均为1），可确定该字节为字符编码的第一个字节，并且可判断对应的字符由几个字节表示;根据前五位（如果前四位为1），可判断编码 是否有错误或数据传输过程中是否有错误。
反过来，我们还是拿刚才的”中“为例，11100100 10111000 10101101 ，第一个字节开始为110，则读第二个字节为10，第三个字节为10，则认为是utf8字符。
于是就有了一个那个经典的“联通"干不过”移动“的经典段子。
我们在xp下，随便建立一个文件，输入"联通"，保存，这时你在打开是，发现”联通"2个字符不见了。奇怪吗？？？？？？
我们知道默认保存的编码是ANSI，实际也是类GBK的编码。
对应16进制为c1 aa cd a8， 转化成二进制为11000001 10101010 11001101 10101000 ，我们来看，110xxxxx，10xxxxxx 正好符合utf8的形式。
这时候文件编写器以为你的文件是utf8的文件，然后默认已utf8的形式给你打开展示。于是就出现乱码了。如果你在”联通“后面随便加几个字符。就不出出现灵异事件了。
那么我们继续讨论 GBK和Unicode是什么关系呢？
实际上GBK我们可以看做是字符集，他也有自己一一对应的码表。google一下，很容易查到。这里有个Unicode和GBk对应的表Unicode-GBk。
在java中，
"我爱你莎莎".getBytes("gbk");
进行转化，其实就是类似查一个Unicode和GBk对应表进行转化的。大家看一下Charset这个抽象类的那些子类就明白了。
通过上面的描述GBk和UTF8关系也就很明朗了，完全可以通过Unicode进行中转。
同事在询问编码的问题时，一开始对类似如下代码,相互转变不太理解。
byte b1[] = null;
b1 = "我爱你莎莎".getBytes("gbk");
System.out.println(new String(b1,"gbk"));
byte b2[] = null;
b2 = "我爱你莎莎".getBytes("utf8");
System.out.println(new String(b2,"utf8"));
System.out.println(new String (new String (b2,"gbk").getBytes("gbk"),"utf8"));
其实我们可以把getBytes（"gbk"），这个函数当做将uni