JAVA字元編碼系列二：Unicode,ISO-8859-1,GBK,UTF-8編碼及互相轉換

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