java中字符之間的轉(zhuǎn)化

千年止水

１、函數(shù)介紹
在Java中，字符串用統(tǒng)一的Unicode編碼，每個(gè)字符占用兩個(gè)字節(jié)，與編碼有關(guān)的兩個(gè)主要函數(shù)為：
１）將字符串用指定的編碼集合解析成字節(jié)數(shù)組，完成Unicode－〉charsetName轉(zhuǎn)換
public byte[] getBytes(String charsetName) throws UnsupportedEncodingException　

２）將字節(jié)數(shù)組以指定的編碼集合構(gòu)造成字符串，完成charsetName－〉Unicode轉(zhuǎn)換
public String(byte[] bytes, String charsetName) throws UnsupportedEncodingException

２、Unicode與各編碼之間的直接轉(zhuǎn)換
下面以對(duì)中文字符串＂ａ中文＂的編碼轉(zhuǎn)換為例，來(lái)了解各種編碼之間的轉(zhuǎn)換
１）Unicode和GBK
測(cè)試結(jié)果如下，每個(gè)漢字轉(zhuǎn)換為兩個(gè)字節(jié)，且是可逆的，即通過(guò)字節(jié)可以轉(zhuǎn)換回字符串
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）

２）Unicode和UTF-8
測(cè)試結(jié)果如下，每個(gè)漢字轉(zhuǎn)換為三個(gè)字節(jié)，且是可逆的，即通過(guò)字節(jié)可以轉(zhuǎn)換回字符串
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）
３）Unicode和ISO-8859-1
測(cè)試結(jié)果如下，當(dāng)存在漢字時(shí)轉(zhuǎn)換失敗，非可逆，即通過(guò)字節(jié)不能再轉(zhuǎn)換回字符串
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(zhuǎn)換
在上面直接轉(zhuǎn)換中，由字符串（Unicode）生成的字節(jié)數(shù)組，在構(gòu)造回字符串時(shí)，使用的是正確的編碼集合，如果使用的不是正確的編碼集合會(huì)怎樣呢？會(huì)正確構(gòu)造嗎？如果不能正確構(gòu)造能有辦法恢復(fù)嗎？會(huì)信息丟失嗎？

下面我們就來(lái)看看這種情況，這部分可以說(shuō)明在某些情況下雖然我們最終正確顯示了結(jié)果，但其間仍然進(jìn)行了不正確的轉(zhuǎn)換。

１）能夠正確顯示的中間不正確轉(zhuǎn)換
我們知道String－GBK〉ByteArray－GBK〉String是正確的，但如果我們采用String－GBK〉ByteArray－ISO-8859-1〉String呢？通過(guò)測(cè)試結(jié)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(shí)我們得到的字符串為？亂碼“a????”，但是通過(guò)繼續(xù)轉(zhuǎn)換我們?nèi)匀豢梢詮?fù)原回正確的字符串“a中文”，過(guò)程如下：
String－GBK〉ByteArray－ISO-8859-1〉String－ISO-8859-1〉ByteArray－GBK〉String
對(duì)應(yīng)：\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?cè)谑状螛?gòu)造字符串時(shí)，我們用了錯(cuò)誤的編碼集合得到了錯(cuò)誤的亂碼，但是我們通過(guò)錯(cuò)上加錯(cuò)，再用錯(cuò)誤的編碼集合獲取字節(jié)數(shù)組，然后再用正確的編碼集合構(gòu)造，就又恢復(fù)了正確的字符串。這時(shí)就屬于是“能夠正確顯示的中間不正確轉(zhuǎn)換”。在Jsp頁(yè)面提交數(shù)據(jù)處理時(shí)常常發(fā)生這種情況。

此外能夠正確顯示的中間不正確轉(zhuǎn)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(duì)應(yīng)：\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(guò)程中錯(cuò)誤診斷參考
１）一個(gè)漢字對(duì)應(yīng)一個(gè)問(wèn)號(hào)
在通過(guò)ISO-8859-1從字符串獲取字節(jié)數(shù)組時(shí)，由于一個(gè)Unicode轉(zhuǎn)換成一個(gè)byte，當(dāng)遇到不認(rèn)識(shí)的Unicode時(shí)，轉(zhuǎn)換為0x3F，這樣無(wú)論用哪種編碼構(gòu)造時(shí)都會(huì)產(chǎn)生一個(gè)？亂碼。
２）一個(gè)漢字對(duì)應(yīng)兩個(gè)問(wèn)號(hào)
在通過(guò)GBK從字符串獲取字節(jié)數(shù)組時(shí)，由于一個(gè)Unicode轉(zhuǎn)換成兩個(gè)byte，如果此時(shí)用ISO-8859-1或用UTF-8構(gòu)造字符串就會(huì)出現(xiàn)兩個(gè)問(wèn)號(hào)。
若是通過(guò)ISO-8859-1構(gòu)造可以再通過(guò)上面所說(shuō)的錯(cuò)上加錯(cuò)恢復(fù)（即再通過(guò)從ISO-8859-1解析，用GBK構(gòu)造）；
若是通過(guò)UTF-8構(gòu)造則會(huì)產(chǎn)生Unicode字符＂\uFFFD＂，不能恢復(fù)，若再通過(guò)String－UTF-8〉ByteArray－GBK〉String，則會(huì)出現(xiàn)雜碼，如a錕斤拷錕斤拷
３）一個(gè)漢字對(duì)應(yīng)三個(gè)問(wèn)號(hào)
在通過(guò)UTF-8從字符串獲取字節(jié)數(shù)組時(shí)，由于一個(gè)Unicode轉(zhuǎn)換成三個(gè)byte，如果此時(shí)用ISO-8859-1構(gòu)造字符串就會(huì)出現(xiàn)三個(gè)問(wèn)號(hào)；用GBK構(gòu)造字符串就會(huì)出現(xiàn)雜碼，如a涓?枃。


本文來(lái)自ChinaUnix博客，如果查看原文請(qǐng)點(diǎn)：http://blog.chinaunix.net/u2/85344/showart_1412558.html