JAVA乱码问题分析

首先，所有的字符在计算机上都是以二进制存储的；

1.JAVA虚拟机JVM中的编码方式：

JAVA虚拟机JVM把JAVA源代码编译成Unicode形式的byte code，其它数据在JAVA中也是以UNICODE形式存储的。

2. 汉字主要编码集的兼容关系：

   汉字的主要字符集有：GB2312,GBK, GB18030, UNICODE, UTF-8, BIG5;

   其中GBK兼容GB2312，UNICODE与UTF-8相对兼容（即可用一些公式进行转换，而无须知道两种字符表的一一映身关系）

GBK,GB2312,BIG5都为双字节编码，即所有的字符在该字符集内都占两个字节；

   而GB18030采用单字节，双字节，四字节的存储方式，其中128个ASCII符号为单字节区，所有汉字为双字节区；

UTF-8为一到六字节，其中汉字为两到三字节；

UNICODE为两字节，而扩展UNICODE集也有四字节字符，对于汉字及常用各种符号来说，都为双字节；

BIG5为台湾公司字符集，大陆不用；

故对于汉字存储体系来说，严格双字节或小于等于双字节的可以采用GB2312,GBK,GB18030，UNICODE编码；

如果英文较多，为传输方便，则采用UTF-8，但这样就不好计算存储汉字所需空间；

 

3.JAVA读取文件并显示

（1）JAVA如何读取文件编码方式：

   在操作系统中，因为计算机本身无法知道当前文件的编码方式，故对于流文件，一般读取时要手动的指定其编码方式，否则JAVA会采用系统默认的字符映射表读取文件；对于WINDOWS来说，其默认字符集一般为GB系列；对于UNIX或LINUX来说，一般为UTF-8;

（2）JAVA如何显示字符

  对于System.out.println()命令来说，JAVA默认采用当前系统默认的字符集来输出字符，如果在MYECLIPSE或ECLIPSE环境，JAVA则会采用当前工程默认的字符集来输出字符；

  （3）总结2,3的字符转换就是：文件（由当前系统编码转为UNICODE）->JAVA内存（由UNICODE编码转为当前显示系统的字符集）->当前显示系统的默认字符集

  所有的转换都是自动进行的，故实际上对我们并无影响；

但如果在转换的过程中，文件存储的编码格式并非系统默认的编码格式，则JAVA转换就会出问题，会出现乱码；

如果显示系统的字符集与文件采用的字符集不同，则有可能显示系统的字符集有可能未包含文件字符集的全部字符，如果显示这些字符时就会有?号；

4.WEB编码

  标准的WEB通信模式如下：

   客户机发消息->传输->服务器接收并返回消息->传输->客户机接收并显示

（1）       客户机发消息：

在这一步客户机的消息编码为本地编码（准确地说是该通信进程所采用的编码）

（2）       传输

首先：基本上所有的传输都采用ISO-8859-1标准传输，该编码兼容所有其它的编码方式；

其次：为减少传输时间，有些网站会对数据进行压缩，通常是GZIP格式；

（3）       客户机接收并显示

客户机接收该编码，并进行解码；对于JAVA来说，通常所有的通信类，包括Socket类,URLConnection类，以及其它基于这两个类的继承类，在接收数据的时候会根据报文头的编码格式自动将对应的编码转为UNICODE编码；

但对于GZIP格式来说，除浏览器外，JAVA中的类一般并不会自动进行解压缩，此时会出现乱码，故需要手动判断，如果报文头为显示Content-Encoding: gzip则必须调用GZIPInputStream对输入流进行解压缩操作；

（4） 对于WEB通信产生的乱码问题，可根据以上情况进行分析，但以上情况并不全面，

因此，最根本的方法是：首先确定是否服务器端即为乱码，如果不是，则对报文头进行分析，看是否报文解析问题，接下来才是本地的显示及编码问题；

5.数据库编码

     数据库也会自动将输入的字符串自动转为数据库的存储格式（此过程发生在JDBC过程中，还是数据库的底层驱动函数中暂不清楚），但须注意：

    1.CONNECTION中必须指定对应的数据库（确切的说是执行插入或更新操作的表的）字符编码格式；

    2.遇到数据库本地字符集无法存储的字符会抛错；

声明：

所有的分析的根据来源于网络及个人试验，因个人水平原因，本文可能存在错误，故该文章仅作参考，不作为可靠的技术文档；