Java 关于中文乱码问题的解决方案与经验（1）

　　一、字节和unicode

Java内核是unicode的，就连class文件也是，但是很多媒体，包括文件/流的保存方式是使用字节流的。因此Java要对这些字节流经行转化。char是unicode的，而byte是字节。Java中byte/char互转的函数在sun.io的包中间有。其中ByteToCharConverter类是中调度，可以用来告诉你，你用的convertor。其中两个很常用的静态函数是：

public static ByteToCharConverter getDefault();
public static ByteToCharConverter getConverter(String encoding);

假如你不指定converter，则系统会自动使用当前的encoding,gb平台上用gbk,en平台上用8859_1。

byte ??〉char：
"你"的gb码是：0xc4e3 ,unicode是0x4f60
String encoding = "gb2312";
byte b[] = {(byte)′u00c4′,(byte)′u00e3′};
ByteToCharConverter converter = ByteToCharConverter.getConverter(encoding);
char c[] = converter.convertAll(b);
for (int i = 0; i < c.length; i++) {
System.out.println(Integer.toHexString(c[i]));
}
结果是什么？0x4f60
假如encoding ="8859_1"，结果又是什么？0x00c4,0x00e3

假如代码改为：

byte b[] = {(byte)′u00c4′,(byte)′u00e3′};
ByteToCharConverter converter = ByteToCharConverter. getDefault();
char c[] = converter.convertAll(b);
for (int i = 0; i < c.length; i++) {
System.out.println(Integer.toHexString(c[i]));
}

结果将又是什么？

这就要根据平台的编码而定。

char ??〉byte：
String encoding = "gb2312";
char c[] = {′u4f60′};
CharToByteConverter converter = CharToByteConverter.getConverter(encoding);
byte b[] = converter.convertAll(c);
for (int i = 0; i < b.length; i++) {
System.out.println(Integer.toHexString(b[i]));
}
结果是什么？0x00c4,0x00e3
假如encoding ="8859_1"，结果又是什么？0x3f
假如代码改为
String encoding = "gb2312";
char c[] = {′u4f60′};
CharToByteConverter converter = CharToByteConverter.getDefault();
byte b[] = converter.convertAll(c);
for (int i = 0; i < b.length; i++) {
System.out.println(Integer.toHexString(b[i]));
}

结果将又是什么？还是根据平台的编码而定。

很多中文问题就是从这两个最简单的类派生出来的。而却有很多类不直接支持把encoding输入，这给我们带来诸多不便。很多程序难得用encoding了，直接用default的encoding，这就给我们移植带来了很多困难。

二、utf-8

utf-8是和unicode一一对应的，其实现很简单：

7位的unicode: 0 _ _ _ _ _ _ _
11位的unicode: 1 1 0 _ _ _ _ _ 1 0 _ _ _ _ _ _
16位的unicode: 1 1 1 0 _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _
21位的unicode: 1 1 1 1 0 _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _

大多数情况是只使用到16位以下的unicode:

"你"的gb码是：0xc4e3 ,unicode是0x4f60
0xc4e3的二进制：
1100 ，0100 ，1110 ，0011

由于只有两位我们按照两位的编码来排，但是我们发现这行不通，因为第７位不是0因此，返回"?"

0x4f60的二进制：
0100 ，1111 ，0110 ，0000
我们用utf-8补齐，变成：
1110 ，0100 ，1011 ，1101 ，1010 ，0000
e4--bd-- a0
于是返回：0xe4,0xbd,0xa0。

三、string和byte[]

string其实核心是char[],然而要把byte转化成string，必须经过编码。string.length()其实就是char数组的长度，假如使用不同的编码，很可能会错分，造成散字和乱码。例如：

String encoding = “”;
byte [] b={(byte)′u00c4′,(byte)′u00e3′};
String str=new String(b,encoding);

假如encoding=8859_1，会有两个字，但是encoding=gb2312只有一个字这个问题在处理分页是经常发生。

四、Reader,Writer / InputStream,OutputStream

Reader和Writer核心是char，InputStream和OutputStream核心是byte。但是Reader和Writer的主要目的是要把char读/写InputStream/OutputStream。例如：

文件test.txt只有一个"你"字，0xc4,0xe3
String encoding = "gb2312";
InputStreamReader reader = new InputStreamReader(new FileInputStream(
"text.txt"), encoding);
char c[] = new char[10];
int length = reader.read(c);
for (int i = 0; i < length; i++) {
System.out.println(c[i]);
}

结果是什么？是"你"。假如encoding ="8859_1"，结果是什么？"??"两个字符，表示不熟悉。反过来的例子自己做。

Java 关于中文乱码问题的解决方案与经验 （1）

Java 关于中文乱码问题的解决方案与经验（1）