`
hz_chenwenbiao
  • 浏览: 991948 次
  • 性别: Icon_minigender_1
  • 来自: 广州
社区版块
存档分类
最新评论

Unicode,ISO-8859,GBK,UTF-8编码及相互转换(java)(转)

阅读更多

1、函数介绍在Java中,字符串用统一的Unicode编码,每个字符占用两个字节,与编码有关的两个主要函数为:

1)将字符串用指定的编码集合解析成字节数组,完成Unicode-〉charsetName转换
public byte[] getBytes(String charsetName) throws UnsupportedEncodingException 

2)将字节数组以指定的编码集合构造成字符串,完成charsetName-〉Unicode转换
public String(byte[] bytes, String charsetName) throws UnsupportedEncodingException

2、Unicode与各编码之间的直接转换下面以对中文字符串"a中文"的编码转换为例,来了解各种编码之间的转换

1)Unicode和GBK
测试结果如下,每个汉字转换为两个字节,且是可逆的,即通过字节可以转换回字符串
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)

try {
			String abcd = "a中文";//或者使用abcd = "\u0061\u4E2D\u6587";
			String gbk = new String(abcd.getBytes("gbk"),"gbk");
			System.out.println(gbk);
		} catch (UnsupportedEncodingException e) {
			e.printStackTrace();
		}

 

2)Unicode和UTF-8
测试结果如下,每个汉字转换为三个字节,且是可逆的,即通过字节可以转换回字符串
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)

try {
			String abcd = "a中文";//或者使用abcd = "\u0061\u4E2D\u6587";
			String utf_8 = new String(abcd.getBytes("utf-8"),"utf-8");
			System.out.println(utf_8);
		} catch (UnsupportedEncodingException e) {
			e.printStackTrace();
		}

 

3)Unicode和ISO-8859-1

测试结果如下,当存在汉字时转换失败,非可逆,即通过字节不能再转换回字符串
String-ISO-8859-1〉ByteArray:\u0061\u4E2D\u6587(a中文)-〉0x61 0x3F 0x3
FByteArray-ISO-8859-1〉String:0x61 0x3F 0x3F-〉\u0061\u003F\u003F(a??)

try {
			String abcd = "a中文";//或者使用abcd = "\u0061\u4E2D\u6587";
			byte[] bt1 = abcd.getBytes("Unicode");//[-2, -1, 0, 97, 78, 45, 101, -121]
			byte[] bt2 = abcd.getBytes("iso-8859-1");//[97, 63, 63]
			String iso = new String(abcd.getBytes("iso-8859-1"),"iso-8859-1");//会将两个字节的unicode字符截取为一个字节的iso-8859-1字符,而为当截取后的字符不在iso字符集里面的字符时,就使用默认的63字符给它,即?,表示不可识别
			System.out.println(iso);
		} catch (UnsupportedEncodingException e) {
			e.printStackTrace();
		}

 

3、Unicode与各编码之间的交叉转换在上面直接转换中,由字符串(Unicode)生成的字节数组,在构造回字符串时,使用的是正确的编码集合,如果使用的不是正确的编码集合会怎样呢?会正确构造吗?如果不能正确构造能有办法恢复吗?会信息丢失吗?

下面我们就来看看这种情况,这部分可以说明在某些情况下虽然我们最终正确显示了结果,但其间仍然进行了不正确的转换。

1)能够正确显示的中间不正确转换


我们知道String-GBK〉ByteArray-GBK〉String是正确的,但如果我们采用String-GBK〉ByteArray-ISO-8859-1〉String呢?通过测试结果如下:
String-GBK〉ByteArray-ISO-8859-1〉String:\u0061\u4E2D\u6587(a中文)-〉0x61 0xD6 0xD0 0xCE 0xC4-〉\u0061\u00D6\u00D0\u00CE\u00C4(a????)

这时我们得到的字符串为?乱码“a????”,但是通过继续转换我们仍然可以复原回正确的字符串“a中文”,过程如下:

String-GBK〉ByteArray-ISO-8859-1〉String-ISO-8859-1〉ByteArray-GBK〉String

对应:\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)

try {
			String abcd = "a中文";//或者使用abcd = "\u0061\u4E2D\u6587";
			String iso = new String(abcd.getBytes("gbk"),"iso-8859-1");//过渡乱码:aÖÐÎÄ
			String gbk = new String(iso.getBytes("iso-8859-1"),"gbk");
			//这里由unicode->gbk->iso-8859-1->gbk过程是一个错错却得正的过程,原因:由于用gbk解析unicode时,成了双字节,字节没丢失。再用iso-8859-1来解析这些字节数组,其实就是直接使用,然后看是否在字符集里,应该是gbk兼容iso-8859-1,所以它们的字符编码值是一样的,故不会用?替换,因此信息没有丢失。
			byte[] bt1 = abcd.getBytes("gbk");//[97, -42, -48, -50, -60]
			byte[] bt2 = iso.getBytes("iso-8859-1");//[97, -42, -48, -50, -60]
			System.out.println(gbk);//正常显示:a中文
		} catch (UnsupportedEncodingException e) {
			e.printStackTrace();
		}

 

也就是我们在首次构造字符串时,我们用了错误的编码集合得到了错误的乱码,但是我们通过错上加错,再用错误的编码集合获取字节数组,然后再用正确的编码集合构造,就又恢复了正确的字符串。这时就属于是“能够正确显示的中间不正确转换”。在Jsp页面提交数据处理时常常发生这种情况。

此外能够正确显示的中间不正确转换还有:
String-UTF-8〉ByteArray-ISO-8859-1〉String-ISO-8859-1〉ByteArray-UTF-8〉String

try {
			String abcd = "a中文";//或者使用abcd = "\u0061\u4E2D\u6587";
			String iso = new String(abcd.getBytes("utf-8"),"iso-8859-1");//过渡乱码:a中文
			String utf_8 = new String(iso.getBytes("iso-8859-1"),"utf-8");
			byte[] bt1 = abcd.getBytes("utf-8");//[97, -28, -72, -83, -26, -106, -121]
			byte[] bt2 = iso.getBytes("iso-8859-1");//[97, -28, -72, -83, -26, -106, -121]
			System.out.println(utf_8);//正常显示:a中文
		} catch (UnsupportedEncodingException e) {
			e.printStackTrace();
		}

 

String-UTF-8〉ByteArray-GBK〉String-GBK〉ByteArray-UTF-8〉String
对应:\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)

//中文有偶数个时,错错恢复后还可以显示正确:
		try {
			String abcd = "a中文";//或者使用abcd = "\u0061\u4E2D\u6587";
			String gbk = new String(abcd.getBytes("utf-8"),"gbk");//过渡乱码:a涓枃
			String utf_8 = new String(gbk.getBytes("gbk"),"utf-8");
			byte[] bt1 = abcd.getBytes("utf-8");//[97, -28, -72, -83, -26, -106, -121]
			byte[] bt2 = gbk.getBytes("gbk");//[97, -28, -72, -83, -26, -106, -121]
			System.out.println(utf_8);//正常显示:a中文
		} catch (UnsupportedEncodingException e) {
			e.printStackTrace();
		}
		
		//串的结尾中文有奇数个时,错错恢复后只有最后一个中文出现乱码,这个现象比较奇怪,后加一个汉字或字母就正常显示:
		try {
			String abcd = "a中文啊afdasf学会了";//或者使用abcd = "\u0061\u4E2D\u6587";
			String gbk = new String(abcd.getBytes("utf-8"),"gbk");//过渡乱码:a涓枃
			String utf_8 = new String(gbk.getBytes("gbk"),"utf-8");
			byte[] bt1 = abcd.getBytes("utf-8");//[97, -28, -72, -83, -26, -106, -121, -27, -107, -118, 97, 102, 100, 97, 115, 102, -27, -83, -90, -28, -68, -102, -28, -70, -122]
			byte[] bt2 = gbk.getBytes("gbk");   //[97, -28, -72, -83, -26, -106, -121, -27, -107, -118, 97, 102, 100, 97, 115, 102, -27, -83, -90, -28, -68, -102, -28, -70, 63]
			System.out.println(utf_8);//最后一个汉字乱码:a中文啊afdasf学会�?
		} catch (UnsupportedEncodingException e) {
			e.printStackTrace();
		}

 对比出现乱码的:

try {
			String abcd = "a中文";//或者使用abcd = "\u0061\u4E2D\u6587";
			String utf_8 = new String(abcd.getBytes("gbk"),"utf-8");//过渡乱码:a����
			String gbk = new String(utf_8.getBytes("utf-8"),"gbk");
			byte[] bt1 = abcd.getBytes("gbk");//[97, -42, -48, -50, -60]
			byte[] bt2 = utf_8.getBytes("utf-8");//[97, -17, -65, -67, -17, -65, -67, -17, -65, -67, -17, -65, -67]
			System.out.println(utf_8);//乱码:a锟斤拷锟斤拷
		} catch (UnsupportedEncodingException e) {
			e.printStackTrace();
		}

 

4、编码过程中错误诊断参考

1)一个汉字对应一个问号
在通过ISO-8859-1从字符串获取字节数组时,由于一个Unicode转换成一个byte,当遇到不认识的Unicode时,转换为0x3F,这样无论用哪种编码构造时都会产生一个?乱码。

2)一个汉字对应两个问号
在通过GBK从字符串获取字节数组时,由于一个Unicode转换成两个byte,如果此时用ISO-8859-1或用UTF-8构造字符串就会出现两个问号。若是通过ISO-8859-1构造可以再通过上面所说的错上加错恢复(即再通过从ISO-8859-1解析,用GBK构造);若是通过UTF-8构造则会产生Unicode字符"\uFFFD",不能恢复,若再通过String-UTF-8〉ByteArray-GBK〉String,则会出现杂码,如a锟斤拷锟斤拷

3)一个汉字对应三个问号
在通过UTF-8从字符串获取字节数组时,由于一个Unicode转换成三个byte,如果此时用ISO-8859-1构造字符串就会出现三个问号;用GBK构造字符串就会出现杂码,如a涓 枃

 

载自:http://blog.csdn.net/wuzejun1275/archive/2009/09/28/4610716.aspx

分享到:
评论

相关推荐

Global site tag (gtag.js) - Google Analytics