Java与Unicode：(转)
Java的class文件采用utf8的编码方式，JVM运行时采用utf16。Java的字符串是unicode编码的。总之，
Java采用了unicode字符集，使之易于国际化。
Java支持哪些字符集：
即Java能识别哪些字符集并对它进行正确地处理？查看Charset 类，最新的JDK支持160种字符集。可以通
过static方法availableCharsets拿到所有Java支持的字符集。
Java代码
assertEquals(160, Charset.availableCharsets().size());
Set<String> charsetNames = Charset.availableCharsets().keySet();
assertTrue(charsetNames.contains("utf-8"));
assertTrue(charsetNames.contains("utf-16"));
assertTrue(charsetNames.contains("gb2312"));
assertTrue(Charset.isSupported("utf-8"));
需要在哪些时候注意编码问题？
1.从外部资源读取数据：
这跟外部资源采取的编码方式有关，我们需要使用外部资源采用的字符集来读取外部数据：
Java代码
InputStream is = new FileInputStream("res/input2.data");
InputStreamReader streamReader = new InputStreamReader(is, "GB18030");
这里可以看到，我们采用了GB18030编码读取外部数据，通过查看streamReader的encoding可以印证：
Java代码
assertEquals("GB18030", streamReader.getEncoding());
正是由于上面我们为外部资源指定了正确的编码，当它转成char数组时才能正确地进行解码（GB18030 ->
unicode）：
Java代码
char[] chars = new char[is.available()];
streamReader.read(chars, 0, is.available());
但我们经常写的代码就像下面这样：
Java代码
InputStream is = new FileInputStream("res/input2.data");
InputStreamReader streamReader = new InputStreamReader(is);
这时候InputStreamReader采用什么编码方式读取外部资源呢？Unicode？不是，这时候采用的编码方式
是JVM的默认字符集，这个默认字符集在虚拟机启动时决定，通常根据语言环境和底层操作系统的 charset
来确定。可以通过以下方式得到JVM的默认字符集：
Java代码
Charset.defaultCharset();
为什么要这样？因为我们从外部资源读取数据，而外部资源的编码方式通常跟操作系统所使用的字符集一样，
所以采用这种默认方式是可以理解的。
好吧，那么我通过我的IDE Ideas创建了一个文件，并以JVM默认的编码方式从这个文件读取数据，但读出来
的数据竟然是乱码。为何？呵呵，其实是因为通过Ideas创建的文件是以utf-8编码的。要得到一个JVM默认
编码的文件，通过手工创建一个txt文件试试吧。
2.字符串和字节数组的相互转换
我们通常通过以下代码把字符串转换成字节数组：
Java代码
"string".getBytes();
但你是否注意过这个转换采用的编码呢？其实上面这句代码跟下面这句是等价的：
Java代码
"string".getBytes(Charset.defaultCharset());
也就是说它根据JVM的默认编码（而不是你可能以为的unicode）把字符串转换成一个字节数组。
反之，如何从字节数组创建一个字符串呢？
Java代码
new String("string".getBytes());
同样，这个方法使用平台的默认字符集解码字节的指定数组（这里的解码指从一种字符集到unicode）。
字符串编码迷思：
Java代码
new String(input.getBytes("ISO-8859-1"), "GB18030")
上面这段代码代表什么？有人会说： “把input字符串从ISO-8859-1编码方式转换成GB18030编码方式”。
如果这种说法正确，那么又如何解释我们刚提到的java字符串都采用unicode编码呢？
这种说法不仅是欠妥的，而且是大错特错的，让我们一一来分析，其实事实是这样的：我们本应该用
GB18030的编码来读取数据并解码成字符串，但结果却采用了ISO-8859-1的编码，导致生成一个错误的字
符串。要恢复，就要先把字符串恢复成原始字节数组，然后通过正确的编码GB18030再次解码成字符串（即
把以GB18030编码的数据转成unicode的字符串）。注意，字符串永远都是unicode编码的。
但编码转换并不是负负得正那么简单，这里我们之所以可以正确地转换回来，是因为 ISO8859-1 是单字节编
码，所以每个字节被按照原样 转换为 String ，也就是说，虽然这是一个错误的转换，但编码没有改变，所以
我们仍然有机会把编码转换回来！
总结：
所以，我们在处理java的编码问题时，要分清楚三个概念：Java采用的编码：unicode，JVM平台默认字符
集和外部资源的编码。
程序示例：
public static void main(String args[])
{
System.out.println("default charset : "+Charset.defaultCharset());
String str = "abc你好";//string with UTF-8 charset
byte[] bytes = str.getBytes(Charset.forName("UTF-8"));//convert to byte array with UTF-8 encode
for (byte b : bytes)
{
System.out.print(b + " ");
}
System.out.println();
try
{
String str1 = new String(bytes, "UTF-8");//to UTF-8 string
String str2 = new String(bytes, "ISO-8859-1");//to ISO-8859-1 string
String str3 = new String(bytes, "GBK");//to GBK string
System.out.println(str1);//abc你好
System.out.println(str2);//abc??????
System.out.println(str3);//abc浣犲ソ
System.out.println();
byte[] bytes2 = str2.getBytes(Charset.forName("ISO-8859-1"));
for (byte b : bytes2)
{
System.out.print(b + " ");
}
System.out.println();
String str22 = new String(bytes2, "UTF-8");
System.out.println(str22);//abc你好
System.out.println();
byte[] bytes3 = str3.getBytes(Charset.forName("GBK"));
for (byte b : bytes3)
{
System.out.print(b + " ");
}
System.out.println();
String str33 = new String(bytes3, "UTF-8");
System.out.println(str33);//abc你好
} catch (UnsupportedEncodingException e)
{
e.printStackTrace();
}
}
运行结果：
[html] www.2cto.com
default charset : GBK
97 98 99 -28 -67 -96 -27 -91 -67
abc你好
abc??????
abc浣犲ソ
97 98 99 -28 -67 -96 -27 -91 -67
abc你好
97 98 99 -28 -67 -96 -27 -91 -67
abc你好
[size=medium][b][color=indigo]字符集相关测试代码[/color][/b][/size]
package com.hank.comments;
import java.io.UnsupportedEncodingException;
import java.nio.charset.Charset;
public class Test {
public static void main(String[] args) throws UnsupportedEncodingException {
String str = "中文";
//str = new String("中文".getBytes("gbk"), "gbk");
//System.out.println(Charset.defaultCharset());
System.out.println("中文unicode--->gbk");
printBytes("中文".getBytes("gbk"));//unicode--->gbk
System.out.println("中文unicode--->utf8");
printBytes("中文".getBytes("utf8"));//unicode--->utf8
str = new String("中文".getBytes("gbk"), "gbk");//unicode---->gbk---->unicode
System.out.println("中文unicode---->gbk---->utf8---->unicode---->utf8");
str = new String("中文".getBytes("utf8"), "gbk");//unicode---->gbk---->utf8---->unicode
printBytes(str.getBytes("utf8"));
str = new String(str.getBytes("gbk"), "utf8");
System.out.println(str);
//bytes数组，charset是字节数组安装什么方式编码生成字符串
//new String(bytes, charset)
//System.out.println(new String(str.getBytes("utf8"), "utf8"));
// byte[] jvmBytes = str.getBytes("unicode");
// System.out.println("jvm Encoding: " + bytesToHexString(jvmBytes));
//
// byte[] defaultBytes = str.getBytes();
// System.out.println("page Encoding:" + bytesToHexString(defaultBytes));
//
// byte[] utf8Bytes = str.getBytes("utf8");
// System.out.println("uft8: " + bytesToHexString(utf8Bytes));
//
// byte[] gb2312Bytes = str.getBytes("gb2312");
// System.out.println("gb2312: " + bytesToHexString(gb2312Bytes));
//
// byte[] gbkBytes = str.getBytes("gbk");
// System.out.println("gbk: " + bytesToHexString(gbkBytes));
//
// byte[] gb18030Bytes = str.getBytes("gb18030");
// System.out.println("gb18030Bytes: " + bytesToHexString(gb18030Bytes));
//
// byte[] iso8859_1Bytes = str.getBytes("iso8859-1");
// System.out.println("iso8859-1: " + bytesToHexString(iso8859_1Bytes));
//
// for(int i=0; i<iso8859_1Bytes.length; i++) {
// System.out.println(iso8859_1Bytes[i]);
// }
}
/**
* byte数组转换成16进制字符串
* @param src
* @return
*/
public static String bytesToHexString(byte[] src){
StringBuilder stringBuilder = new StringBuilder();
if (src == null || src.length <= 0) {
return null;
}
for (int i = 0; i < src.length; i++) {
int v = src[i] & 0xFF;
String hv = Integer.toHexString(v);
if (hv.length() < 2) {
stringBuilder.append(0);
}
stringBuilder.append(hv);
}
return stringBuilder.toString();
}
public static void printBytes(byte[] src) {
for (byte b : src) {
System.out.print(b + " ");
}
System.out.println();
}
}
