JAVA 字符串编码总结

时间:2023-01-07 16:18:31

String newStr = new String(oldStr.getBytes(), "UTF-8");     
  
Java中的String类是按照unicode进行编码的,当使用String(byte[] bytes, String encoding)构造字符串时,encoding所指的是bytes中的数据是按照那种方式编码的,而不是最后产生的String是什么编码方式,换句话说,是让系统把bytes中的数据由encoding编码方式转换成unicode编码。如果不指明,bytes的编码方式将由jdk根据操作系统决定。    
  
        当我们从文件中读数据时,最好使用InputStream方式,然后采用String(byte[] bytes, String encoding)指明文件的编码方式。不要使用Reader方式,因为Reader方式会自动根据jdk指明的编码方式把文件内容转换成unicode 编码。    
  
        当我们从数据库中读文本数据时,采用ResultSet.getBytes()方法取得字节数组,同样采用带编码方式的字符串构造方法即可。    
  
ResultSet rs;    
bytep[] bytes = rs.getBytes();    
String str = new String(bytes, "gb2312");    
  
不要采取下面的步骤。    
  
ResultSet rs;    
String str = rs.getString();    
str = new String(str.getBytes("iso8859-1"), "gb2312");    
  
        这种编码转换方式效率底。之所以这么做的原因是,ResultSet在getString()方法执行时,默认数据库里的数据编码方式为 iso8859-1。系统会把数据依照iso8859-1的编码方式转换成unicode。使用str.getBytes("iso8859-1")把数据还原,然后利用new String(bytes, "gb2312")把数据从gb2312转换成unicode,中间多了好多步骤。    
  
        从HttpRequest中读参数时,利用reqeust.setCharacterEncoding()方法设置编码方式,读出的内容就是正确的了。 


先说Java。     
  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。既然只有一种编码,那么,我们可以这么说,JVM里面的String是不带编码的。String相当于   char[]。     
  JVM里面的   byte[]   数据是带编码的。比如,Big5,GBK,GB2312,UTF-8之类的。     
  一个GBK编码的byte[]   转换成   String,其实就是从GBK编码向Unicode编码转换。     
  一个String转换成一个Big5编码的byte[],其实就是从Unicode编码向Big5编码转换。     
  所以,Unicode是所有编码转换的中间介质。所有的编码都有一个转换器可以转换到Unicode,而Unicode也可以转换到其他所有的编码。这样构成了一个总线结构。     
  比如,如果总共有10种编码,那么只需要   10   +   10   =   20个转换器就够了。如果要是两两直接转换,那么,需要的转换器数量是一个组合数字,需要90个转换器。   
    
  一个系统的不同部分,都有自己的编码。比如,数据库,文件,JVM,浏览器这4个部分。     
  在这些部分之间数据交换的地方,就会出现编码问题。比如,数据库和JVM之间,文件和JVM之间,浏览器和JVM之间。这些问题的原理都是相通的。   
    
  编码问题最容易处理的地方是文件和JVM之间。文件IO   API带有encoding   参数,请自行查阅。     
  最不容易出现编码问题的地方是数据库和JVM之间。这应该是数据库JDBC连接的基本功能。本文不专门进行讨论。     
  最容易出问题的地方是浏览器和服务器JVM之间(其实,代码里面的字符串更容易出问题,不过,我已经事先声明,本文不讨论代码中的字符串编码)。下面主要讨论这块浏览器和服务器JVM之间的编码问题。   
    
  我们把浏览器编码叫做   Browser_Charset,把JVM编码叫做JVM_Charset(通常等于服务器系统编码)。     
  当浏览器的数据过来的时候,是一个带有Browser_Charset的byte[]。     
  如果用户处理程序需要一个String类型的数据,那么JVM会好心好意地把这个byte[]转换成String。使用的转换器是   JVM_Charset   ->   Unicode。     
  注意,如果这个时候,Browser_Charset   和   JVM_Charset并不相等。那么,这个自动转换是错误的。     
  为了弥补这个错误。我们需要做两步工作。     
  (1)   Unicode   ->   JVM_Charset,把这个String   转换回到原来的   byte[]。     
  (2)   Browser_Charset   ->   Unicode,把这个还原的byte[]转换成   String。   
    
  这个效果,和直接从HTTP   Request取得byte[],然后执行   (2)   Browser_Charset   ->   Unicode   的效果是一样的。   
    
  如果在Request里面设置了CharacterEncoding,那么POST   Data参数就不需要自己手工转换了,web   server的自动转换就是正确的。URL的参数编码还涉及到URL编码,需要考虑的问题多一些,没有这么简单。  
    
  JVM把数据发到浏览器的时候。也需要考虑编码问题。可以在Response里面设置。另外,HTML   Meta   Header里面也可以设置编码,提醒Browser选择正确编码。   
    
  有些语言的VM或者解释器的字符串编码可能不同。比如,Ruby。不过,编码转换原理都是一样的。   
    
  That   is   all.   
   

JAVA字符编码     
      
一、概要   
在JAVA应用程序特别是基于WEB的程序中,经常遇到字符的编码问题。为了防止出现乱码,首先需要了解JAVA是如何处理字符的,这样就可以有目的地在输入/输出环节中增加必要的转码。其次,由于各种服务器有不同的处理方式,还需要多做试验,确保使用中不出现乱码。   
二、基本概念   
2.1   JAVA中字符的表达   
JAVA   中有char、byte、String这几个概念。char   指的是一个UNICODE字符,为16位的整数。byte   是字节,字符串在网络传输或存储前需要转换为byte数组。在从网络接收或从存储设备读取后需要将byte数组转换成String。String是字符串,可以看成是由char组成的数组。String   和   char   为内存形式,byte是网络传输或存储的序列化形式。   
举例:   
英   
String   ying   =   “英”;   
char   ying   =   ying.charAt(0);   
String   yingHex   =   Integer.toHexString(ying);   
82   F1     
byte   yingGBBytes   =   ying.getBytes(“GBK”);   
GB编码的字节数值   
D3   A2     
2.2   编码方式的简介   
String序列化成byte数组或反序列化时需要选择正确的编码方式。如果编码方式不正确,就会得到一些0x3F的值。常用的字符编码方式有ISO8859_1、GB2312、GBK、UTF-8/UTF-16/UTF-32。   
ISO8859_1用来编码拉丁文,它由单字节(0-255)组成。   
GB2312、GBK用来编码简体中文,它有单字节和双字节混合组成。最高位为1的字节和下一个字节构成一个汉字,最高位为0的字节是ASCII码。   
UTF-8/UTF-16/UTF-32是国际标准UNICODE的编码方式。   用得最多的是UTF-8,主要是因为它在对拉丁文编码时节约空间。   
UNICODE值   UTF-8编码   
U-00000000   -   U-0000007F:   0xxxxxxx   
U-00000080   -   U-000007FF:   110xxxxx   10xxxxxx     
U-00000800   -   U-0000FFFF:   1110xxxx   10xxxxxx   10xxxxxx     
U-00010000   -   U-001FFFFF:   11110xxx   10xxxxxx   10xxxxxx   10xxxxxx     
U-00200000   -   U-03FFFFFF:   111110xx   10xxxxxx   10xxxxxx   10xxxxxx   10xxxxxx     
U-04000000   -   U-7FFFFFFF:   1111110x   10xxxxxx   10xxxxxx   10xxxxxx   10xxxxxx   10xxxxxx     
三、J2SE中相关的函数   
String   str   =”英”;   
//取得GB2312编码的字节   
byte[]   bytesGB2312   =   str.getBytes(“GB2312”);     
//取得平台缺省编码的字节(solaris为ISO8859_1,windows为GB2312)   
byte[]   bytesDefault   =   str.getBytes();   
//用指定的编码将字节转换成字符串   
String   newStrGB   =   new   String(bytesGB2312,   “GB2312”);   
    
//用平台缺省的编码将字节转换成字符串(solaris为ISO8859_1,windows为GB2312)   
String   newStrDefault   =   new   String(bytesDefault);   
//用指定的编码从字节流里面读取字符   
InputStream   in   =   xxx;   
InputStreamReader   reader   =   InputStreamReader(   in,   “GB2312”);   
char   aChar   =   reader.read();   
四、JSP、数据库的编码   
4.1   JSP中的编码   
(1)   静态声明:   
CHARSET有两个作用:   
JSP文件的编码方式:在读取JSP文件、生成JAVA类时,源JSP文件中汉字的编码   
JSP输出流的编码方式:在执行JSP时,往response流里面写入数据的编码方式   
(2)   动态改变:在往response流里面写数据前可以调用response.setContentType(),设定正确的编码类型。   
(3)   在TOMCAT中,由Request.getParameter()   得到的参数,编码方式都是ISO8859_1。所以如果在浏览器输入框内输入一个汉字“英”,在服务器端就得到一个ISO8859_1编码的(0x00,0xD3,0x00,0xA2)。所以通常在接收参数时转码:   
String   wrongStr   =   response.getParameter(“name”);   
String   correctStr   =   new   String(wrongStr.getBytes(“ISO8859_1”),”GB2312”);   
在最新的SERVLET规范里面,也可以在获取参数之前执行如下代码:   
request.setCharacterEncoding(“GB2312”);   
4.2   数据库的编码   
(1)   数据库使用UTF-16   
如果String中是UNICODE字符,写入读出时不需要转码   
(2)   数据库使用ISO8859_1   
如果String中是UNICODE字符,写入读出时需要转码   
写入:String   newStr   =   new   String(oldStr.getByte(“GB2312”),   “ISO8859_1”);   
读出:String   newStr   =   new   String(oldStr.getByte(“ISO8859_1”),”GB2312”);   
五、源文件的编码   
5.1   资源文件   
资源文件的编码方式和编辑平台相关。在WINDOWS平台下编写的资源文件,以GB2312方式编码。在编译时需要转码,以确保在各个平台上的正确性:   
native2ascii   ?encoding   GB2312   source.properties   
这样从资源文件中读出的就是正确的UNICODE字符串。   
5.2   源文件   
源文件的编码方式和编辑平台相关。在WINDOWS平台下开发的源文件,以GB2312方式编码。在编译的时候,需要指定源文件的编码方式:   
javac   ?encoding   GB2312   
JAVA编译后生成的字节文件的编码为UTF-8。   
    
①最新版TOMCAT4.1.18支持request.setCharacterEncoding(String   enc)   
②资源文件转码成company.name=u82f1u65afu514b   
③如果数据库使用utf-16则不需要这部分转码   
④页面上应有   
转码?:   
String   s   =   new   String   
(request.getParameter(“name”).getBytes(“ISO8859_1”),”GB2312”);   
转码?:   
String   s   =   new   String(name.getBytes(“GB2312”),”ISO8859_1”);   
转码?:   
String   s   =   new   String(name.getBytes(“ISO8859_1”),”   GB2312”);   
    
      
    
    =========================================================   
    
JAVA内部究竟是用的什么字符编码呢?这个问题我也找了很久,后来在THINK   IN   JAVA   3rd的12章里看到一个例子出现了UTF-16BE,难道是它?     
            byte[]   utf_16be   =   name.getBytes("utf-16be");   
    
            printbyte(utf_16be);   
    
结果出来了:58   02     length   =   2   
哈哈,I   got   it!不多不少两个字节,内容也一样。果然是它。同时我在里面也看到,UNICODE的编码还有一个LE,这里的BE,LE我想应该是bigendian和littleendian吧。   
    
    ==========================================================   
    
import   java.io.*;   
            public   class   TestCodeIO   {   
                        public   static   void   main(String[]   args)   throws   Exception{   
                                    InputStreamReader   isr   =   new   InputStreamReader(System.in,"iso8859-1");   
                                                //Create   an   InputStreamReader   that   uses   the   given   charset   decoder   
                                    BufferedReader   br   =   new   BufferedReader   (isr);   
                                    String   strLine   =   br.readLine();   
                                    br.close();   
                                    isr.close();   
                                    System.out.println(strLine);   
                                    System.out.println(new   String   (strLine.getBytes(),"iso8859-1"));//错误改法   
                                                //Encodes   this   String   (strLine)   into   a   sequence   of   bytes   using   the   platform's     
                                                //default   charset(gb2312)   then   constructs   a   new   String   by   decoding   the     
                                              //specified   array   of   bytes   using   the   specified   charset   (iso8859-1)   
                                              //because   this   String   (strLine)   uses   the   charset   decoder   "iso8859-1",so   it   can   
                                              //only   be   encoded   by   "iso8859-1",cann't   be   encoded   by   the   platform's   default   
                                              //charset   "gb2312",so   this   line   is   wrong.   
                                  System.out.println(new   String   (strLine.getBytes("iso8859-1")));//正确改法   
                                            //Encodes   this   String   (strLine)   into   a   sequence   of   bytes   using   the   named     
                                            //charset   (iso8859-1),then   constructs   a   new   String   by   decoding   the     
                                            //specified   array   of   bytes   using   the   platform's   default   charset   (gb2312).   
                                            //This   line   is   right.   
                }     
}   
    
上面的英文注释已经说得很清楚了,这里我还是解释一下吧:   
    
首先是错误的改法     System.out.println(new   String   (strLine.getBytes(),"iso8859-1"));   
这句代码是将strLine中的字符串用系统默认的编码方式(这里是gb2312)   
转换为字节序列,然后用指定的编码方式(这里是iso8859-1)构造一个新的   
String对象,并打印到屏幕上。   
错误在哪里呢?   
    
请注意这一段代码       
InputStreamReader   isr   =   new   InputStreamReader(System.in,"iso8859-1");   
BufferedReader   br   =   new   BufferedReader   (isr);   
String   strLine   =   br.readLine();   
这里strLine存储的内容是用指定的编码方式(iso8859-1)存储的,而转换成字节码   
的时候(这句代码strLine.getBytes())却使用了系统默认的gb2312编码,所以当然就   
输出乱码了!然后用gb2312编码的字节序列构建新的String对象的时候又使用了   
iso8859-1编码,所以输出的乱码和System.out.println(strLine)有所不同。   
    
至于正确的改法就不用详细说明了吧,首先将strLine用iso8859-1编码方式转换成字节   
序列,然后用系统默认的编码方式(gb2312)构建新的String对象,然后打印输出。 

 

 

参考:

字符串编码(charset, encoding/decoding)问题原理

http://www.javaeye.com/topic/31860

 

主题:Java编码浅析(注意区分三个概念)

http://www.javaeye.com/topic/311583

 

java 字符编码

http://wenku.baidu.com/view/3668f2d6195f312b3169a571.html