第二篇:JAVA字元編碼系列二:Unicode,ISO-8859-1,GBK,UTF-8編碼及互相轉換
1、函數介紹
在Java中,字元串用統一的Unicode編碼,每個字元占用兩個位元組,與編碼有關的兩個主要函數為:
1)将字元串用指定的編碼集合解析成位元組數組,完成Unicode-〉charsetName轉換
public byte[] getBytes(String charsetName) throws UnsupportedEncodingException
2)将位元組數組以指定的編碼集合構造成字元串,完成charsetName-〉Unicode轉換
public String(byte[] bytes, String charsetName) throws UnsupportedEncodingException
2、Unicode與各編碼之間的直接轉換
下面以對中文字元串"a中文"的編碼轉換為例,來了解各種編碼之間的轉換
1)Unicode和GBK
測試結果如下,每個漢字轉換為兩個位元組,且是可逆的,即通過位元組可以轉換回字元串
String-GBK〉ByteArray:\u0061\u4E2D\u6587(a中文)-〉0x61 0xD6 0xD0 0xCE 0xC4
ByteArray-GBK〉String:0x61 0xD6 0xD0 0xCE 0xC4-〉\u0061\u4E2D\u6587(a中文)
2)Unicode和UTF-8
測試結果如下,每個漢字轉換為三個位元組,且是可逆的,即通過位元組可以轉換回字元串
String-UTF-8〉ByteArray:\u0061\u4E2D\u6587(a中文)-〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87
ByteArray-UTF-8〉String:0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87-〉\u0061\u4E2D\u6587(a中文)
3)Unicode和ISO-8859-1
測試結果如下,當存在漢字時轉換失敗,非可逆,即通過位元組不能再轉換回字元串
String-ISO-8859-1〉ByteArray:\u0061\u4E2D\u6587(a中文)-〉0x61 0x3F 0x3F
ByteArray-ISO-8859-1〉String:0x61 0x3F 0x3F-〉\u0061\u003F\u003F(a??)
3、Unicode與各編碼之間的交叉轉換
在上面直接轉換中,由字元串(Unicode)生成的位元組數組,在構造回字元串時,使用的是正确的編碼集合,如果使用的不是正确的編碼集合會怎樣呢?會正确構造嗎?如果不能正确構造能有辦法恢複嗎?會資訊丢失嗎?
下面我們就來看看這種情況,這部分可以說明在某些情況下雖然我們最終正确顯示了結果,但其間仍然進行了不正确的轉換。
1)能夠正确顯示的中間不正确轉換
我們知道String-GBK〉ByteArray-GBK〉String是正确的,但如果我們采用String-GBK〉ByteArray-ISO-8859-1〉String呢?通過測試結果如下:
String-GBK〉ByteArray-ISO-8859-1〉String:\u0061\u4E2D\u6587(a中文)-〉0x61 0xD6 0xD0 0xCE 0xC4-〉\u0061\u00D6\u00D0\u00CE\u00C4(a????)
這時我們得到的字元串為?亂碼“a????”,但是通過繼續轉換我們仍然可以複原回正确的字元串“a中文”,過程如下:
String-GBK〉ByteArray-ISO-8859-1〉String-ISO-8859-1〉ByteArray-GBK〉String
對應:\u0061\u4E2D\u6587(a中文)-〉0x61 0xD6 0xD0 0xCE 0xC4-〉\u0061\u00D6\u00D0\u00CE\u00C4(a????)-〉0x61 0xD6 0xD0 0xCE 0xC4-〉\u0061\u4E2D\u6587(a中文)
也就是我們在首次構造字元串時,我們用了錯誤的編碼集合得到了錯誤的亂碼,但是我們通過錯上加錯,再用錯誤的編碼集合擷取位元組數組,然後再用正确的編碼集合構造,就又恢複了正确的字元串。這時就屬于是“能夠正确顯示的中間不正确轉換”。在Jsp頁面送出資料處理時常常發生這種情況。
此外能夠正确顯示的中間不正确轉換還有:
String-UTF-8〉ByteArray-ISO-8859-1〉String-ISO-8859-1〉ByteArray-UTF-8〉String
和
String-UTF-8〉ByteArray-GBK〉String-GBK〉ByteArray-UTF-8〉String
對應:\u0061\u4E2D\u6587(a中文)-〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87-〉\u0061\u6D93\uE15F\u6783(a涓枃)-〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87-〉\u0061\u4E2D\u6587(a中文)
4、編碼過程中錯誤診斷參考
1)一個漢字對應一個問号
在通過ISO-8859-1從字元串擷取位元組數組時,由于一個Unicode轉換成一個byte,當遇到不認識的Unicode時,轉換為0x3F,這樣無論用哪種編碼構造時都會産生一個?亂碼。
2)一個漢字對應兩個問号
在通過GBK從字元串擷取位元組數組時,由于一個Unicode轉換成兩個byte,如果此時用ISO-8859-1或用UTF-8構造字元串就會出現兩個問号。
若是通過ISO-8859-1構造可以再通過上面所說的錯上加錯恢複(即再通過從ISO-8859-1解析,用GBK構造);
若是通過UTF-8構造則會産生Unicode字元"\uFFFD",不能恢複,若再通過String-UTF-8〉ByteArray-GBK〉String,則會出現雜碼,如a锟斤拷锟斤拷
3)一個漢字對應三個問号
在通過UTF-8從字元串擷取位元組數組時,由于一個Unicode轉換成三個byte,如果此時用ISO-8859-1構造字元串就會出現三個問号;用GBK構造字元串就會出現雜碼,如a涓枃。
本文來自CSDN部落格,轉載請标明出處:http://blog.csdn.net/qinysong/archive/2006/09/05/1179489.aspx