ITeye博客

【转】第二篇:JAVA字符编码系列二:Unicode,ISO-8859-1,GBK,UTF-8编码

wangyanlong0107 · 2012-08-26 21:17 · java中的字符编码 · 编程语言 · Markdown

1、函数介绍

在Java中,字符串用统一的Unicode编码,每个字符占用两个字节,与编码有关的两个主要函数为:

1)将字符串用指定的编码集合解析成字节数组,完成Unicode-〉charsetName转换

public byte[] getBytes(String charsetName) throws UnsupportedEncodingException

 

2)将字节数组以指定的编码集合构造成字符串,完成charsetName-〉Unicode转换

public String(byte[] bytes, String charsetName) throws UnsupportedEncodingException

 

2、Unicode与各编码之间的直接转换(内码转换)

下面以对中文字符串"a中文"的编码转换为例,来了解各种编码之间的转换

1)Unicode和GBK

测试结果如下,每个汉字转换为两个字节,且是可逆的,即通过字节可以转换回字符串

String - GBK 〉ByteArray:\u0061\u4E2D\u6587(a中文)-〉0x61 0xD6 0xD0 0xCE 0xC4

ByteArray - GBK 〉String:0x61 0xD6 0xD0 0xCE 0xC4-〉\u0061\u4E2D\u6587(a中文)

 

2)Unicode和UTF-8

测试结果如下,每个汉字转换为三个字节,且是可逆的,即通过字节可以转换回字符串

String - UTF-8 〉ByteArray:\u0061\u4E2D\u6587(a中文)-〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87

ByteArray - UTF-8 〉String:0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87-〉\u0061\u4E2D\u6587(a中文)

3)Unicode和ISO-8859-1

测试结果如下,当存在汉字时转换失败,非可逆,即通过字节不能再转换回字符串(内码转换时,对照表中没有的用?代替,这个过程不可逆,字符串废了)

String - ISO-8859-1 〉ByteArray:\u0061\u4E2D\u6587(a中文)-〉0x61 0x3F 0x3F

ByteArray - ISO-8859-1 〉String:0x61 0x3F 0x3F-〉\u0061\u003F\u003F(a??)

3、Unicode与各编码之间的交叉转换(编码不变,bit流不变,只是按照读出的字符集不同)

在上面直接转换中,由字符串(Unicode)生成的字节数组,在构造回字符串时,使用的是正确的编码集合,如果使用的不是正确的编码集合会怎样呢?会正确构造吗?如果不能正确构造能有办法恢复吗?会信息丢失吗?

 

下面我们就来看看这种情况,这部分可以说明在某些情况下虽然我们最终正确显示了结果,但其间仍然进行了不正确的转换。

 

1)能够正确显示的中间不正确转换

我们知道String - GBK 〉ByteArray - GBK 〉String是正确的,但如果我们采用String - GBK 〉ByteArray- ISO-8859-1 〉String呢?通过测试结果如下:

String - GBK 〉ByteArray - ISO-8859-1 〉String:\u0061\u4E2D\u6587(a中文)-〉0x61 0xD6 0xD0 0xCE 0xC4-〉\u0061\u00D6\u00D0\u00CE\u00C4(a????)

 

这时我们得到的字符串为?乱码“a????”,但是通过继续转换我们仍然可以复原回正确的字符串“a中文”,过程如下:

String - GBK 〉ByteArray - ISO-8859-1 〉String - ISO-8859-1 〉ByteArray - GBK 〉String

对应:\u0061\u4E2D\u6587(a中文)-〉0x61 0xD6 0xD0 0xCE 0xC4-〉\u0061\u00D6\u00D0\u00CE\u00C4(a????)-〉0x61 0xD6 0xD0 0xCE 0xC4-〉\u0061\u4E2D\u6587(a中文)

 

也就是我们在首次构造字符串时,我们用了错误的编码集合得到了错误的乱码,但是我们 通过错上加错,再用错误的编码集合获取字节数组,然后再用正确的编码集合构造,就又恢复了正确的字符串。这时就属于是“能够正确显示的中间不正确转换”。在Jsp页面提交数据处理时常常发生这种情况。

 

此外能够正确显示的中间不正确转换还有:

String - UTF-8 〉ByteArray - ISO-8859-1 〉String - ISO-8859-1 〉ByteArray - UTF-8 〉String

和

String - UTF-8 〉ByteArray - GBK 〉String - GBK 〉ByteArray - UTF-8 〉String

对应:\u0061\u4E2D\u6587(a中文)-〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87-〉\u0061\u6D93\uE15F\u6783(a涓枃)-〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87-〉\u0061\u4E2D\u6587(a中文)

 

4、编码过程中错误诊断参考(这段说的不是很清楚,仅供参考)

1)一个汉字对应一个问号

在通过ISO-8859-1从字符串获取字节数组时,由于一个Unicode转换成一个byte,当遇到不认识的Unicode时,转换为0x3F,这样无论用哪种编码构造时都会产生一个?乱码。(内码转换的中间表是1:2的关系)

2)一个汉字对应两个问号

在通过GBK从字符串获取字节数组时,由于一个Unicode转换成两个byte,如果此时用ISO-8859-1或用UTF-8构造字符串就会出现两个问号。

若是通过ISO-8859-1构造可以再通过上面所说的错上加错恢复(即再通过从ISO-8859-1解析,用GBK构造);

若是通过UTF-8构造则会产生Unicode字符"\uFFFD",不能恢复,若再通过String-UTF-8〉ByteArray-GBK〉String,则会出现杂码,如a锟斤拷锟斤拷

3)一个汉字对应三个问号

在通过UTF-8从字符串获取字节数组时,由于一个Unicode转换成三个byte,如果此时用ISO-8859-1构造字符串就会出现三个问号;用GBK构造字符串就会出现杂码,如a涓枃。

评论(0)

暂无评论。

评论功能维护中,当前仅展示历史评论。