JAVA诊断(二)：字符的编码与解码

时间：2021-04-19 15:45:26

中文字符出现乱码的原因是因为采用了错误的解码方式，换句话说，也就是没有采用与字符编码一致的方式进行解码。

那如何将乱码字符还原呢？需要分为以下几步：
1. 将当前的乱码字符以当前解码的方式编码为二进制数组，这也是还原过程；
2. 然后以正确的方式（即原编码方式）进行解码；

下面以接收到的乱码字符“鍥介檯绫冲叞”为例，再次讲解还原过程。
1. 首先获取当前乱码字符的解码方式；

#   获取默认的字符编码，本机测试为GBK
Charset.defaultCharset()
  1. 将其进行重新编码，还原为二进制数组；
"鍥介檯绫冲叞".getBytes("GBK")
  1. 对二进制数组重新进行解码；
# 最后输出为国际米兰
new String("鍥介檯绫冲叞".getBytes("GBK"), "UTF-8")

至于为什么需要重新编码与解码？很简单，这是因为每种字符编码都采用不同的方式存储字符，如UTF-8采用3个字节存储汉字，而GBK采用2个字节存储汉字。

下面我们以一个模拟的例子来加深印象：

String str = "国际米兰";
// 用GBK进行解码，结果出现乱码
String iso2GBK = new String(str.getBytes(Charset.defaultCharset()), "GBK");
// 出现乱码
System.out.println(iso2GBK);
// 还原解码，用GBK进行编码
byte[] sourceArr = iso2GBK.getBytes("GBK");
// 再次进行解码，还原字符串
String sourceStr = new String(sourceArr, Charset.defaultCharset());
System.out.println(sourceStr);

这里需要特别注意的是，在String.getBytes()方法的调用中，如果字符集选择不当，则可能出现二进制编码丢失的现象，从而导致字符难以还原的现象，如将上面的字符编码为ISO-8859
-1，由于字节存储的差异，将导致大量的二进制码丢失，最后出现字符难以还原的现象，请看下面的编码结果。

String str = "国际米兰";
#   输出结果为12，一个汉字三个字节
System.out.println(str.getBytes("UTF-8").length);
#   输出结果为4，一个汉字只有一个字节
System.out.println(str.getBytes("ISO-8859-1").length);

基于上面的输出，我们得到如下的结论：
1. 如果是UTF-8的字符，经过GB2312、GBK、ISO-8859-1编码，则会丢失大量字节，字符无法还原，GBK到ISO-8859-1类似，即多字节到少字节编码，必然出现字节丢失现象，反之，则出现字节增多现象；
2. 如果以默认的方式编码后，再以更多字节的方式解码，如GB2312转UTF-8，则可能会出现字符减少现象（依赖于字节的含义，也可能增多），但数据多半已损坏，不可还原，但以更少字节方式解码，如果满足奇偶关系，则字符可还原，参见如下例子：

// 默认为GBK编码
String str = "国际米兰";
// 用ISO-8859-1解码
String cc = new String(str.getBytes(Charset.defaultCharset()), "ISO-8859-1");
// 再次编码与解码，将字符还原
System.out.println(new String(cc.getBytes("ISO-8859-1"), "GB2312"));
  1. 编码与解码并不满足可逆条件，请使用中密切注意。

总结

在对字符进行编码时，一定要注意采用相同的编码（与字符的默认编码相同），否则会出现字符的二进制数组丢失现象，从而导致字符受到损坏，再也无法还原。
标签：

相关文章