java byte与char互转原理

一、字节和unicode 

Java内核是unicode的，就连class文件也是，但是很多媒体，包括文件/流的保存方式是使用字节流的。因此Java要对这些字节流经行转化。 char是unicode的，而byte是字节。Java中 byte/char互转的函数在sun.io的包中间有。其中ByteToCharConverter类是中调度，可以用来告诉你，你用的 convertor。其中两个很常用的静态函数是： 

public static ByteToCharConverter getDefault(); 
public static ByteToCharConverter getConverter(String encoding); 



如果你不指定converter，则系统会自动使用当前的encoding,gb平台上用gbk,en平台上用8859_1。 

byte ——〉char： 
"你"的gb码是：0xc4e3 ,unicode是0x4f60 
String encoding = "gb2312"; 
byte b[] = {(byte)'\u00c4',(byte)'\u00e3'}; 
ByteToCharConverter converter = ByteToCharConverter.getConverter(encoding); 
char c[] = converter.convertAll(b); 
for (int i = 0; i < c.length; i++) { 
System.out.println(Integer.toHexString(c[i])); 
} 
结果是什么？0x4f60 
如果encoding ="8859_1"，结果又是什么？0x00c4,0x00e3 




如果代码改为： 

byte b[] = {(byte)'\u00c4',(byte)'\u00e3'}; 
ByteToCharConverter converter = ByteToCharConverter. getDefault(); 
char c[] = converter.convertAll(b); 
for (int i = 0; i < c.length; i++) { 
System.out.println(Integer.toHexString(c[i])); 
} 



结果将又是什么？ 

这就要根据平台的编码而定。 

char ——〉byte： 
String encoding = "gb2312"; 
char c[] = {'\u4f60'}; 
CharToByteConverter converter = CharToByteConverter.getConverter(encoding); 
byte b[] = converter.convertAll(c); 
for (int i = 0; i < b.length; i++) { 
System.out.println(Integer.toHexString(b[i])); 
} 
结果是什么？0x00c4,0x00e3 
如果encoding ="8859_1"，结果又是什么？0x3f 
如果代码改为 
String encoding = "gb2312"; 
char c[] = {'\u4f60'}; 
CharToByteConverter converter = CharToByteConverter.getDefault(); 
byte b[] = converter.convertAll(c); 
for (int i = 0; i < b.length; i++) { 
System.out.println(Integer.toHexString(b[i])); 
} 



结果将又是什么？还是根据平台的编码而定。 

很多中文问题就是从这两个最简单的类派生出来的。而却有很多类不直接支持把encoding输入，这给我们带来诸多不便。很多程序难得用encoding了，直接用default的encoding，这就给我们移植带来了很多困难。 

二、utf-8 

utf-8是和unicode一一对应的，其实现很简单： 

7位的unicode: 0 _ _ _ _ _ _ _ 
11位的unicode: 1 1 0 _ _ _ _ _ 1 0 _ _ _ _ _ _ 
16位的unicode: 1 1 1 0 _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 
21位的unicode: 1 1 1 1 0 _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 



大多数情况是只使用到16位以下的unicode: 

"你"的gb码是：0xc4e3 ,unicode是0x4f60 
0xc4e3的二进制： 
1100 ，0100 ，1110 ，0011 



由于只有两位我们按照两位的编码来排，但是我们发现这行不通，因为第７位不是0因此，返回"?" 

0x4f60的二进制： 
0100 ，1111 ，0110 ，0000 
我们用utf-8补齐，变成： 
1110 ，0100 ，1011 ，1101 ，1010 ，0000 
e4--bd-- a0 
于是返回：0xe4,0xbd,0xa0。 



三、string和byte[] 

string其实核心是char[],然而要把byte转化成string，必须经过编码。string.length()其实就是char数组的长度，如果使用不同的编码，很可能会错分，造成散字和乱码。例如： 

String encoding = “”; 
byte [] b={(byte)'\u00c4',(byte)'\u00e3'}; 
String str=new String(b,encoding); 



如果encoding=8859_1，会有两个字，但是encoding=gb2312只有一个字这个问题在处理分页是经常发生。 

四、Reader,Writer / InputStream,OutputStream 

Reader和Writer核心是char，InputStream和OutputStream核心是byte。但是Reader和Writer的主要目的是要把char读/写InputStream/OutputStream。例如： 

文件test.txt只有一个"你"字，0xc4,0xe3 
String encoding = "gb2312"; 
InputStreamReader reader = new InputStreamReader(new FileInputStream( 
"text.txt"), encoding); 
char c[] = new char[10]; 
int length = reader.read(c); 
for (int i = 0; i < length; i++) { 
System.out.println(c[i]); 
} 



结果是什么？是"你"。如果encoding ="8859_1"，结果是什么？"??"两个字符，表示不认识。反过来的例子自己做。

五、我们要对Java的编译器有所了解： 

Javac ?encoding 



我们常常没有用到encoding这个参数。其实encoding这个参数对于跨平台的操作是很重要的。如果没有指定encoding，则按照系统的默认 encoding,gb平台上是gb2312，英文平台上是iso8859_1。Java的编译器实际上是调用sun.tools.Javac.main 的类，对文件进行编译，这个类有compile函数中间有一个encoding的变量,-encoding的参数其实直接传给encoding变量。编译器就是根据这个变量来读取Java文件的，然后把用utf-8形式编译成class文件。例子代码： 

String str = "你"; 
FileWriter writer = new FileWriter("text.txt"); 
write.write(str); 
writer.close(); 

如果用gb2312编译，你会找到e4 bd a0的字段 ； 
如果用8859_1编译， 00c4 00e3的二进制： 
0000，0000 ，1100，0100 ，0000，0000 ，1110，0011 
因为每个字符都大于7位，因此用11位编码： 
1100，0001，1000，0100，1100，0011，1010，0011 
c1-- 84--　c3--　 a3 
你会找到c1 84 c3 a3 



但是我们往往忽略掉这个参数，因此这样往往会有跨平台的问题： 

样例代码在中文平台上编译，生成zhclass 

样例代码在英文平台上编译，输出enclass 

(1) zhclass在中文平台上执行ok,但是在英文平台上不行 

(2) enclass在英文平台上执行ok,但是在中文平台上不行 

原因是： 

(1) 在中文平台上编译后，其实str在运行态的char[]是0x4f60,　在中文平台上运行，filewriter的缺省编码是gb2312,因此 chartobyteconverter会自动用调用gb2312的converter,把str转化成byte输入到fileoutputstream 中，于是0xc4,0xe3放进了文件。但是如果是在英文平台下，chartobyteconverter的缺省值是8859_1, filewriter会自动调用8859_1去转化str,但是他无法解释，因此他会输出"?" 

(2) 在英文平台上编译后，其实str在运行态的char[]是0x00c4 0x00e3, 在中文平台上运行，中文无法识别，因此会出现??；在英文平台上，0x00c4-->0xc4,0x00e3->0xe3，因此 0xc4,0xe3被放进了文件。 

六、其它原因： 

<%@ page contentType="text/html; charset=GBK" %> 



设置浏览器的显示编码，如果response的数据是utf8编码，显示将是乱码，但是乱码和上述原因还不一样。 

七、发生编码的地方： 

1. 从数据库到Java程序 byte——〉char 

2. 从Java程序到数据库 char——〉byte 

3. 从文件到Java程序 byte——〉char 

4. 从Java程序到文件 char——〉byte 

5. 从Java程序到页面显示 char——〉byte 

6. 从页面form提交数据到Java程序byte——〉char 

7. 从流到Java程序byte——〉char 

8. 从Java程序到流char——〉byte 

可以使用配置过滤器的方法解决中文乱码的： 

<web-app> 
<filter> 
<filter-name>RequestFilter</filter-name> 
<filter-class>net.golden.uirs.util.RequestFilter</filter-class> 
<init-param> 
<param-name>charset</param-name> 
<param-value>gb2312</param-value> 
</init-param> 
</filter> 
<filter-mapping> 
<filter-name>RequestFilter</filter-name> 
<url-pattern>*.Jsp</url-pattern> 
</filter-mapping> 
</web-app> 


public void doFilter(ServletRequest req, ServletResponse res, 
FilterChain fChain) throws IOException, ServletException { 
HttpServletRequest request = (HttpServletRequest) req; 
HttpServletResponse response = (HttpServletResponse) res; 
HttpSession session = request.getSession(); 
String userId = (String) session.getAttribute("userid"); 
req.setCharacterEncoding(this.filterConfig.getInitParameter("charset")); 
// 设置字符集？ 
//实际上是设置了byte ——〉char的encoding 
try { 
if (userId == null || userId.equals("")) { 
if (!request.getRequestURL().toString().matches( 
".*/uirs/logon/logon(Controller){0,1}\\x2EJsp$")) { 
session.invalidate(); 
response.sendRedirect(request.getContextPath() + 
"/uirs/logon/logon.Jsp"); 
} 
} 
else { 
// 看看是否具有信息上报系统的权限 
if (!net.golden.uirs.util.UirsChecker.check(userId, "信息上报系统", 
net.golden.uirs.util.UirsChecker.ACTION_DO)) { 
if (!request.getRequestURL().toString().matches( 
".*/uirs/logon/logon(Controller){0,1}\\x2EJsp$")) { 
response.sendRedirect(request.getContextPath() + 
"/uirs/logon/logonController.Jsp"); 
} 
} 
} 
} 
catch (Exception ex) { 
response.sendRedirect(request.getContextPath() +"/uirs/logon/logon.Jsp"); 
} 
fChain.doFilter(req, res);

Unicode、UTF－8 和 ISO8859-1到底有什么区别 (2011-07-20 11:21:10)转载▼

本文主要包括以下几个方面：编码基本知识，java，系统软件，url，工具软件等。
在下面的描述中，将以"中文"两个字为例，经查表可以知道其GB2312编码是"d6d0 cec4"，Unicode编码为"4e2d 6587"，UTF编码就是"e4b8ad e69687"。注意，这两个字没有iso8859-1编码，但可以用iso8859-1编码来"表示"。
2. 编码基本知识
最早的编码是iso8859-1，和ascii编码相似。但为了方便表示各种各样的语言，逐渐出现了很多标准编码，重要的有如下几个。
2.1. iso8859-1
属于单字节编码，最多能表示的字符范围是0-255，应用于英文系列。比如，字母a的编码为0x61=97。
很明显，iso8859-1编码表示的字符范围很窄，无法表示中文字符。但是，由于是单字节编码，和计算机最基础的表示单位一致，所以很多时候，仍旧使用iso8859-1编码来表示。而且在很多协议上，默认使用该编码。比如，虽然"中文"两个字不存在iso8859-1编码，以gb2312编码为例，应该是"d6d0 cec4"两个字符，使用iso8859-1编码的时候则将它拆开为4个字节来表示："d6 d0 ce c4"（事实上，在进行存储的时候，也是以字节为单位处理的）。而如果是UTF编码，则是6个字节"e4 b8 ad e6 96 87"。很明显，这种表示方法还需要以另一种编码为基础。
2.2. GB2312/GBK
这就是汉子的国标码，专门用来表示汉字，是双字节编码，而英文字母和iso8859-1一致（兼容iso8859-1编码）。其中gbk编码能够用来同时表示繁体字和简体字，而gb2312只能表示简体字，gbk是兼容gb2312编码的。
2.3. unicode
这是最统一的编码，可以用来表示所有语言的字符，而且是定长双字节（也有四字节的）编码，包括英文字母在内。所以可以说它是不兼容iso8859-1编码的，也不兼容任何编码。不过，相对于iso8859-1编码来说，uniocode编码只是在前面增加了一个0字节，比如字母a为"00 61"。
需要说明的是，定长编码便于计算机处理（注意GB2312/GBK不是定长编码），而unicode又可以用来表示所有字符，所以在很多软件内部是使用unicode编码来处理的，比如java。
2.4. UTF
考虑到unicode编码不兼容iso8859-1编码，而且容易占用更多的空间：因为对于英文字母，unicode也需要两个字节来表示。所以unicode不便于传输和存储。因此而产生了utf编码，utf编码兼容iso8859-1编码，同时也可以用来表示所有语言的字符，不过，utf编码是不定长编码，每一个字符的长度从1-6个字节不等。另外，utf编码自带简单的校验功能。一般来讲，英文字母都是用一个字节表示，而汉字使用三个字节。
注意，虽然说utf是为了使用更少的空间而使用的，但那只是相对于unicode编码来说，如果已经知道是汉字，则使用GB2312/GBK无疑是最节省的。不过另一方面，值得说明的是，虽然utf编码对汉字使用3个字节，但即使对于汉字网页，utf编码也会比unicode编码节省，因为网页中包含了很多的英文字符。
3. java对字符的处理
在java应用软件中，会有多处涉及到字符集编码，有些地方需要进行正确的设置，有些地方需要进行一定程度的处理。
3.1. getBytes(charset)
这是java字符串处理的一个标准函数，其作用是将字符串所表示的字符按照charset编码，并以字节方式表示。注意字符串在java内存中总是按unicode编码存储的。比如"中文"，正常情况下（即没有错误的时候）存储为"4e2d 6587"，如果charset为"gbk"，则被编码为"d6d0 cec4"，然后返回字节"d6 d0 ce c4"。如果charset为"utf8"则最后是"e4 b8 ad e6 96 87"。如果是"iso8859-1"，则由于无法编码，最后返回 "3f 3f"（两个问号）。
3.2. new String(charset)
这是java字符串处理的另一个标准函数，和上一个函数的作用相反，将字节数组按照charset编码进行组合识别，最后转换为unicode存储。参考上述getBytes的例子，"gbk" 和"utf8"都可以得出正确的结果"4e2d 6587"，但iso8859-1最后变成了"003f 003f"（两个问号）。
因为utf8可以用来表示/编码所有字符，所以new String( str.getBytes( "utf8" ), "utf8" ) === str，即完全可逆。
3.3. setCharacterEncoding()
该函数用来设置http请求或者相应的编码。
对于request，是指提交内容的编码，指定后可以通过getParameter()则直接获得正确的字符串，如果不指定，则默认使用iso8859-1编码，需要进一步处理。参见下述"表单输入"。值得注意的是在执行setCharacterEncoding()之前，不能执行任何getParameter()。java doc上说明：This method must be called prior to reading request parameters or reading input using getReader()。而且，该指定只对POST方法有效，对GET方法无效。分析原因，应该是在执行第一个getParameter()的时候，java将会按照编码分析所有的提交内容，而后续的getParameter()不再进行分析，所以setCharacterEncoding()无效。而对于GET方法提交表单是，提交的内容在URL中，一开始就已经按照编码分析所有的提交内容，setCharacterEncoding()自然就无效。
对于response，则是指定输出内容的编码，同时，该设置会传递给浏览器，告诉浏览器输出内容所采用的编码。