String.getBytes()方法中的中文編碼問題

后飛的鳥 2010-11-20

展開全文

String的getBytes()方法是得到一個字串的字節(jié)數(shù)組，這是眾所周知的。但特別要注意的是，本方法將返回該操作系統(tǒng)默認(rèn)的編碼格式的字節(jié)數(shù)組。如果你在使用這個方法時不考慮到這一點，你會發(fā)現(xiàn)在一個平臺上運(yùn)行．

　　良好的系統(tǒng)，放到另外一臺機(jī)器后會產(chǎn)生意想不到的問題。比如下面的程序，class TestCharset { public static void main(String[] args) { new TestCharset().execute(); } private void execute() { String s = "Hello!你好！"; byte[] bytes = s.getBytes(); System.out.println("bytes lenght is:" + bytes.length); }}

　　在一個中文WindowsXP系統(tǒng)下，運(yùn)行時，結(jié)果為：bytes lenght is:12
　　但是如果放到了一個英文的UNIX環(huán)境下運(yùn)行：
　　$ java TestCharset
　　bytes lenght is:9

　　如果你的程序依賴于該結(jié)果，將在后續(xù)操作中引起問題。為什么在一個系統(tǒng)中結(jié)果為12，而在另外一個卻變成了9了呢？上面已經(jīng)提到了，該方法是和平臺（編碼）相關(guān)的。在中文操作系統(tǒng)中，getBytes方法返回的是一個GBK或者GB2312的中文編碼的字節(jié)數(shù)組，其中中文字符，各占兩個字節(jié)。而在英文平臺中，一般的默認(rèn)編碼是“ISO-8859-1”，每個字符都只取一個字節(jié)（而不管是否非拉丁字符）。

　　Java中的編碼支持

　　Java是支持多國編碼的，在Java中，字符都是以Unicode進(jìn)行存儲的，比如，“你”字的Unicode編碼是“4f60”，我們可以通過下面的實驗代碼來驗證：

　　class TestCharset { public static void main(String[] args) { char c = '你'; int i = c; System.out.println(c); System.out.println(i); }}

　　不管你在任何平臺上執(zhí)行，都會有相同的輸出：
　　----------------- output ------------------
　　你
　　20320

　　20320就是Unicode “4f60”的整數(shù)值。其實，你可以反編譯上面的類，可以發(fā)現(xiàn)在生成的.class文件中字符“你”（或者其它任何中文字串）本身就是以Unicode編碼進(jìn)行存儲的：

char c = '\u4F60'; ... ...

即使你知道了編碼的編碼格式，比如：
　　javac -encoding GBK TestCharset.java
　　編譯后生成的.class文件中仍然是以Unicode格式存儲中文字符或字符串的。

　　使用String.getBytes(String charset)方法

　　所以，為了避免這種問題，我建議大家都在編碼中使用String.getBytes(String charset)方法。下面我們將從字串分別提取ISO-8859-1和GBK兩種編碼格式的字節(jié)數(shù)組，看看會有什么結(jié)果：

　　class TestCharset { public static void main(String[] args) { new TestCharset().execute(); } private void execute() { String s = "Hello!你好！"; byte[] bytesISO8859 =null; byte[] bytesGBK = null; try { bytesISO8859 = s.getBytes("iso-8859-1"); bytesGBK = s.getBytes("GBK"); } catch (java.io.UnsupportedEncodingException e) { e.printStackTrace(); } System.out.println("-------------- \n 8859 bytes:"); System.out.println("bytes is: " + arrayToString(bytesISO8859)); System.out.println("hex format is:" + encodeHex(bytesISO8859)); System.out.println(); System.out.println("-------------- \n GBK bytes:"); System.out.println("bytes is: " + arrayToString(bytesGBK)); System.out.println("hex format is:" + encodeHex(bytesGBK)); } public static final String encodeHex (byte[] bytes) { StringBuffer buff = new StringBuffer(bytes.length * 2); String b; for (int i=0; i<bytes.length ; i++) { b = Integer.toHexString(bytes[i]); // byte是兩個字節(jié)的，而上面的Integer.toHexString會把字節(jié)擴(kuò)展為4個字節(jié) buff.append(b.length() > 2 ? b.substring(6,8) : b); buff.append(" "); } return buff.toString(); } public static final String arrayToString (byte[] bytes) { StringBuffer buff = new StringBuffer(); for (int i=0; i<bytes.length ; i++) { buff.append(bytes[i] + " "); } return buff.toString(); }}
執(zhí)行上面程序?qū)⒋蛴〕觯?/p>

　　-------------- 8859 bytes:bytes is: 72 101 108 108 111 33 63 63 63hex format is:48 65 6c 6c 6f 21 3f 3f 3f-------------- GBK bytes:bytes is: 72 101 108 108 111 33 -60 -29 -70 -61 -93 -95hex format is:48 65 6c 6c 6f 21 c4 e3 ba c3 a3 a1

　　可見，在s中提取的8859-1格式的字節(jié)數(shù)組長度為9，中文字符都變成了“63”，ASCII碼為63的是“?”，一些國外的程序在國內(nèi)中文環(huán)境下運(yùn)行時，經(jīng)常出現(xiàn)亂碼，上面布滿了“?”，就是因為編碼沒有進(jìn)行正確處理的結(jié)果。而提取的GBK編碼的字節(jié)數(shù)組中正確得到了中文字符的GBK編碼。字符“你”“好”“！”的GBK編碼分別是：“c4e3”“bac3”“a3a1”。得到了正確的以GBK編碼的字節(jié)數(shù)組，以后需要還原為中文字串時，可以使用下面方法：
　　
　　new String(byte[] bytes, String charset)