1 Java字符串編碼原理

??在Java中，字符的數(shù)據(jù)類型是char，而char類型的編碼是 Unicode 編碼，因此每一個char類型數(shù)據(jù)2字節(jié)16位，對應(yīng)在內(nèi)存中的數(shù)據(jù)就是字符的 Unicode 的碼值。而String類型的底層是一個char數(shù)組，因此String類型在內(nèi)存中的存儲形式是一系列字符對應(yīng)的 Unicode 碼值。

例如：中文字符串 "長風(fēng)幾萬里" ，表1是這5個中文字分別對應(yīng)的 GBK ，Unicode，和 UTF-8 編碼的碼值

表1："長風(fēng)幾厘米"的碼表

我們新建Main函數(shù)運行如下代碼：其中 Java 源文件的文件編碼格式為 UTF-8，Jvm 默認的字符集編碼格式也為 UTF-8 。

char[] cs = str.toCharArray();
System.out.println(Arrays.toString(Num2Hex.chars2HexStrings(cs)));
byte[] bUTF = str.getBytes("UTF-8");
System.out.println(Arrays.toString(Num2Hex.bytes2HexStrings(bUTF)));
byte[] bGBK = str.getBytes("GBK");
System.out.println(Arrays.toString(Num2Hex.bytes2HexStrings(bGBK)));

運行結(jié)果如下：

  [0x95, 0x7F, 0x98, 0xCE, 0x51, 0xE0, 0x4E, 0x07, 0x91, 0xCC]
  [0xE9, 0x95, 0xBF, 0xE9, 0xA3, 0x8E, 0xE5, 0x87, 0xA0, 0xE4, 0xB8, 0x87, 0xE9, 0x87, 0x8C]
  [0xB3, 0xA4, 0xB7, 0xE7, 0xBC, 0xB8, 0xCD, 0xF2, 0xC0, 0xEF]

如果我們把源文件的編碼格式改為GBK，運行結(jié)果不變

??也就是說對于String類型的字符串，他在內(nèi)存和 .class 文件中的編碼都是 Unicode 編碼，與源文件無關(guān)，String類型的getBytes()方法，會將字符從 Unicode 編碼轉(zhuǎn)成參數(shù)指定名稱的字符集編碼的碼值（如果沒有指明字符集編碼，會按照 Jvm 的字符集編碼，如果沒有指定 Jvm 的字符集編碼，會根據(jù)操作系統(tǒng)的字符集編碼）然后返回這些碼值對應(yīng)的字節(jié)數(shù)組，由于 UTF-8 是3個字節(jié)表示一個漢字，所以返回的字節(jié)數(shù)組長度是15，而 GBK 編碼是2個字節(jié)表示一個漢字，所以返回的字節(jié)數(shù)組長度是10。

2 亂碼問題解決方法

??如何解決常見的亂碼問題呢？Java 字符編碼是 Unicode，字符集編碼我們最最常見的有 GBK，UTF-8，ISO-8859-1，解決亂碼的方法如下。
??首先搞清楚字符的數(shù)據(jù)源，例如"長風(fēng)幾萬里"，如果字符數(shù)據(jù)源來自于String類型的常量，那么無論是在.class文件中還是在內(nèi)存中都是 Unicode 編碼，對應(yīng)的計算機數(shù)據(jù)用16進制表示就是{0x957F, 0x98CE, 0x51E0, 0x4E07, 0x91CC}，如果是外部數(shù)據(jù)源，如果這5個字儲存在文件 a.txt 中并且 a.txt 的文件編碼假如是 GBK 的話，則文件 a.txt 存儲的計算機數(shù)據(jù)實際是這5個字符對應(yīng)的 GBK 的碼值,用16進制表示就是[0xB3, 0xA4, 0xB7, 0xE7, 0xBC, 0xB8, 0xCD, 0xF2, 0xC0, 0xEF]，如果是 UTF-8 的話那么 a.txt 的內(nèi)容實際是[0xE9, 0x95, 0xBF, 0xE9, 0xA3, 0x8E, 0xE5, 0x87, 0xA0, 0xE4, 0xB8, 0x87, 0xE9, 0x87, 0x8C]。我們假設(shè) a.txt 編碼 是GBK，我們用 Java 讀取 a.txt 的文件內(nèi)容的字節(jié)保存在byte[]中，那么byte[]中的內(nèi)容還是這5個字符對應(yīng)的 GBK 的碼值[0xB3, 0xA4, 0xB7, 0xE7, 0xBC, 0xB8, 0xCD, 0xF2, 0xC0, 0xEF]，如果我們讀取 a.txt 的文件內(nèi)容保存在char[]或者String（String的底層就是char[]，String中的value就是保存在char[]中）中，那么我們就必須指明 a.txt 的字符集編碼，在字符集編碼正確的情況下，由于Java讀取外部數(shù)據(jù)源先獲得是數(shù)據(jù)源的字節(jié)流，因此 Java 還會將字節(jié)流轉(zhuǎn)為char[]，就是要將[0xB3, 0xA4, 0xB7, 0xE7, 0xBC, 0xB8, 0xCD, 0xF2, 0xC0, 0xEF]轉(zhuǎn)成[0x957F, 0x98CE, 0x51E0, 0x4E07, 0x91CC]，再保存在char[]或String里，如果不能正確指明數(shù)據(jù)源的字符集編碼那么就會轉(zhuǎn)成亂碼。