java unicode中文编码转换和反转

时间：2022-11-16 14:32:18

情形

今天在调第三方的接口用于查询IP地址所在地时，其返回的是json字符串，并且返回的中文都是Unicode的编码方式。
如下：

{"code":0,"data":{"country":"\u4e2d\u56fd","country_id":"CN","area":"\u534e\u5357","area_id":"800000","region":"\u5e7f\u4e1c\u7701","region_id":"440000","city":"\u6df1\u5733\u5e02","city_id":"440300","county":"\u5b9d\u5b89\u533a","county_id":"440306","isp":"\u7535\u4fe1","isp_id":"100017","ip":"116.24.101.170"}}

这种数据，需要处理下。

public class HttpRequest {

public static String sendGet(String url, String param) {
        String result = "";
        BufferedReader in = null;
        String urlNameString = url + param;
try {
// 建立URL
            URL realUrl = new URL(urlNameString);
// 打开和URL之间的连接
            URLConnection connection = realUrl.openConnection();
// 设置通用的请求属性
            connection.setRequestProperty("accept", "*/*");
            connection.setRequestProperty("connection", "keep-alive");
            connection.setRequestProperty("user-agent", "Mozilla/5.0 (Windows NT 6.1; WOW64)");
// 建立实际连接
            connection.connect();
// 获得所有响应头字段
            Map<String, List<String>> map = connection.getHeaderFields();
for (Map.Entry<String, List<String>> m : map.entrySet()) {
                List<String> value = m.getValue();
                String key = m.getKey();

// System.out.println(key + "----->" + value);
            }

// 定义BufferedReader输入流来读取URL的响应
in = new BufferedReader(new InputStreamReader(connection.getInputStream()));
            String line;
while ((line = in.readLine()) != null) {
                result += line;
            }

        } catch (Exception e) {
            e.printStackTrace();
        } finally {
if (in != null) {
try {
in.close();
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
        }

return result;
    }

/**
 * unicode转中文
 * @param str
 * @return
 * @author yutao
 * @date 2017年1月24日上午10:33:25
 */
public static String unicodeToString(String str) {

        Pattern pattern = Pattern.compile("(\\\\u(\\p{XDigit}{4}))");

        Matcher matcher = pattern.matcher(str);

char ch;

while (matcher.find()) {

            ch = (char) Integer.parseInt(matcher.group(2), 16);

            str = str.replace(matcher.group(1), ch+"" );

        }

return str;

    }

public static void main(String[] args) {
// 发送 GET 请求
try {
            String s = HttpRequest.sendGet("http://ip.taobao.com/service/getIpInfo.php?ip=", "116.24.101.170");
// s = java.net.URLDecoder.decode(s, "UTF-8");
// s = new String(s.getBytes("ISO-8859-1"), "UTF-8");

            System.out.println((char)65);

            System.out.println(s);
            System.out.println(unicodeToString(s));
            JSONObject jsonObject = JSON.parseObject(s);
            System.out.println(jsonObject);
            Object object = jsonObject.get("data");

            System.out.println(object);
// System.out.println(unicodeToString(s));
        } catch (Exception e) {
            e.printStackTrace();
        }
    }

}

从代码上看，Unicode转中文关键是：
(char)Integer.parseInt(matcher.group(2), 16)，其中matcher.group(2)表示匹配到的Unicode编码格式。比如：4e2d转成16进制为200013，即：(char)200013为汉字：中。

那么为什么(char)200013可以显示中文呢？

java底层如何表示字符型数据

java中的String类型是采用UTF-16编码实现的，也就是不管在源码的编码如何，在Java虚拟机中的字符串都是使用UTF-16编码实现。

我们要知道String其实就是char[]。也就是说，java底层保存字符型数据是使用16位整数数字。

这意味着我们可以这样：

(char)200013

结果：

中

fastJson

上面是json格式，我们可以使用阿里巴巴的fastJson来处理这个。因为其自动帮我处理好了Unicode编码问题。

JSONObject jsonObject = JSON.parseObject(s);
System.out.println(jsonObject);

fastJson使用方法：
https://github.com/alibaba/fastjson/wiki/%E5%B8%B8%E8%A7%81%E9%97%AE%E9%A2%98

Unicode是啥？

可以理解为是：通用字符集。

世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。
可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是Unicode，就像它的名字都表示的，这是一种所有符号的编码。
Unicode当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样，比如，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字”严”。具体的符号对应表，可以查询unicode.org，或者专门的汉字对应表。

参考来源> http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html

但是呢！Unicode只是一个符号集，它和ASCII是同一级别的。它没有规定如何存储。
带来的问题是：如何才能区别Unicode和ASCII？

带来结果：出现了Unicode的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示Unicode。

UTF-8

互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种Unicode的实现方式。其他实现方式还包括UTF-16（字符用两个字节或四个字节表示）和UTF-32（字符用四个字节表示），不过在互联网上基本不用。
重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。

UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。

UTF-8的编码规则很简单，只有二条：

1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。

2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。

下表总结了编码规则，字母x表示可用编码的位。

Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

根据上表，解读UTF-8编码非常简单。如果一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。
下面，还是以汉字”严”为例，演示如何实现UTF-8编码。
已知”严”的unicode是4E25（100111000100101），根据上表，可以发现4E25处在第三行的范围内（0000 0800-0000 FFFF），因此”严”的UTF-8编码需要三个字节，即格式是”1110xxxx 10xxxxxx 10xxxxxx”。然后，从”严”的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，”严”的UTF-8编码是”11100100 10111000 10100101”，转换成十六进制就是E4B8A5。

参考来源：http://ningg.top/java-encode-byte-char-string/
http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html
标签：

相关文章