使用 Java 将中文字符转换成 Unicode 编码

版权声明：转载时请务必保留以下作者信息和链接
作者：陈维（[e-mail]）作者的网站：http://www.chenwei.mobi

这两天操作XML使用到了Jdom，在创建XML文件并输出到硬盘的时候遇到一个中文编码的问题：Jdom默认输出的XML编码是UTF-8，但是文档中如果出现中文字符那么该中文字符就会变成乱码，造成XML文件无法被正确解析。

UTF -8应该是可以用来表示中文的吧？我不知道这是不是Jdom的一个BUG（Jdom 1.0，beta了10次的产物哦！）。我google了一下，大家解决这个问题的办法无非是把Jdom的输出字符集改为GBK或者GB2312，但是这样就会有一些副作用，如果在没有特定字符集（GBK或者GB2312）的操作系统上不是依然不能正确解析吗？一个比较好的解决办法是先把中文转换成 Unicode编码在直接输出，程序解析XML后的时候再把Unicode编码转回中文就没有问题了。

于是我查看了JDK的文档， 截至Java 5好像都没有做类似转换的类可以直接使用，但是我发现一个类 java.util.Properties，它的源代码里有两个私有（private）方法 loadConvert (char[] in, int off, int len, char[] convtBuf) 和 saveConvert(String theString, boolean escapeSpace) 其实就是做特殊字符和Unicode编码字符间转换的，我把它们提取出来，单独包装到一个类里就可以使用了。

下面是我包装的类 CharacterSetToolkit.java，若你在项目中使用请不要改变package及author等作者信息。

 

/**/ /*
 * CharacterSetToolkit.java
 *
 * Created on 2007年5月17日, 上午11:04
 *
 * To change this template, choose Tools | Template Manager
 * and open the template in the editor.
 */

package  mobi.chenwei.wing.util;

/** */ /**
 * 进行字符操作的工具类。
 
 * @author Chen Wei
 * @website www.chenwei.mobi
 * @email [e-mail]
 */
public   class  CharacterSetToolkit  ... {
    
    /** *//** Creates a new instance of CharacterSetToolkit */
    public CharacterSetToolkit() ...{
    }
    
    private static final char[] hexDigit = ...{
        '0','1','2','3','4','5','6','7','8','9','A','B','C','D','E','F'
    };
    
    private static char toHex(int nibble) ...{
        return hexDigit[(nibble & 0xF)];
    }
    
    /** *//**
     * 将字符串编码成 Unicode 。
     * @param theString 待转换成Unicode编码的字符串。
     * @param escapeSpace 是否忽略空格。
     * @return 返回转换后Unicode编码的字符串。
     */
    public static String toUnicode(String theString, boolean escapeSpace) ...{
        int len = theString.length();
        int bufLen = len * 2;
        if (bufLen < 0) ...{
            bufLen = Integer.MAX_VALUE;
        }
        StringBuffer outBuffer = new StringBuffer(bufLen);
        
        for(int x=0; x<len; x++) ...{
            char aChar = theString.charAt(x);
            // Handle common case first, selecting largest block that
            // avoids the specials below
            if ((aChar > 61) && (aChar < 127)) ...{
                if (aChar == '/') ...{
                    outBuffer.append('/'); outBuffer.append('/');
                    continue;
                }
                outBuffer.append(aChar);
                continue;
            }
            switch(aChar) ...{
                case ' ':
                    if (x == 0 || escapeSpace)
                        outBuffer.append('/');
                    outBuffer.append(' ');
                    break;
                case ' ':outBuffer.append('/'); outBuffer.append('t');
                break;
                case ' ':outBuffer.append('/'); outBuffer.append('n');
                break;
                case ' ':outBuffer.append('/'); outBuffer.append('r');
                break;
                case ' ':outBuffer.append('/'); outBuffer.append('f');
                break;
                case '=': // Fall through
                case ':': // Fall through
                case '#': // Fall through
                case '!':
                    outBuffer.append('/'); outBuffer.append(aChar);
                    break;
                default:
                    if ((aChar < 0x0020) || (aChar > 0x007e)) ...{
                        outBuffer.append('/');
                        outBuffer.append('u');
                        outBuffer.append(toHex((aChar >> 12) & 0xF));
                        outBuffer.append(toHex((aChar >>  8) & 0xF));
                        outBuffer.append(toHex((aChar >>  4) & 0xF));
                        outBuffer.append(toHex( aChar        & 0xF));
                    } else ...{
                        outBuffer.append(aChar);
                    }
            }
        }
        return outBuffer.toString();
    }
    
    /** *//**
     * 从 Unicode 码转换成编码前的特殊字符串。
     * @param in Unicode编码的字符数组。
     * @param off 转换的起始偏移量。
     * @param len 转换的字符长度。
     * @param convtBuf 转换的缓存字符数组。
     * @return 完成转换，返回编码前的特殊字符串。
     */
    public String fromUnicode(char[] in, int off, int len, char[] convtBuf) ...{
        if (convtBuf.length < len) ...{
            int newLen = len * 2;
            if (newLen < 0) ...{
                newLen = Integer.MAX_VALUE;
            }
            convtBuf = new char[newLen];
        }
        char aChar;
        char[] out = convtBuf;
        int outLen = 0;
        int end = off + len;
        
        while (off < end) ...{
            aChar = in[off++];
            if (aChar == '/') ...{
                aChar = in[off++];
                if (aChar == 'u') ...{
                    // Read the xxxx
                    int value = 0;
                    for (int i = 0; i < 4; i++) ...{
                        aChar = in[off++];
                        switch (aChar) ...{
                            case '0':
                            case '1':
                            case '2':
                            case '3':
                            case '4':
                            case '5':
                            case '6':
                            case '7':
                            case '8':
                            case '9':
                                value = (value << 4) + aChar - '0';
                                break;
                            case 'a':
                            case 'b':
                            case 'c':
                            case 'd':
                            case 'e':
                            case 'f':
                                value = (value << 4) + 10 + aChar - 'a';
                                break;
                            case 'A':
                            case 'B':
                            case 'C':
                            case 'D':
                            case 'E':
                            case 'F':
                                value = (value << 4) + 10 + aChar - 'A';
                                break;
                            default:
                                throw new IllegalArgumentException(
                                        "Malformed /uxxxx encoding.");
                        }
                    }
                    out[outLen++] = (char) value;
                } else ...{
                    if (aChar == 't') ...{
                        aChar = ' ';
                    } else if (aChar == 'r') ...{
                        aChar = ' ';
                    } else if (aChar == 'n') ...{
                        aChar = ' ';
                    } else if (aChar == 'f') ...{
                        aChar = ' ';
                    }
                    out[outLen++] = aChar;
                }
            } else ...{
                out[outLen++] = (char) aChar;
            }
        }
        return new String(out, 0, outLen);
    }
}