java 编解码与字符集

一、起初

java提供两种方式来对字符串进行编码和解码，一个是String类，一个是Charset类，用法如下：

使用String类时：

编码：字符串变成字节数组；String -->byte[];  （String类的方法）：str.getBytes(charsetName);；将该字符串按照指定编码表编码。

解码：字节数组变成字符串；byte[] -->String;  （String类的构造方法）：new String(byte[],charsetName);通过使用指定的charset解码指定的 byte 数组。

使用Charset类时：

首先通过forName()来设置编码和解码字符集，类中提供 encode 与 decode 分别对应 char[] 到 byte[] 的编码和 byte[] 到 char[] 的解码,用法如下：

Charset charset = Charset.forName("UTF-8");   ByteBuffer byteBuffer = charset.encode(string);   CharBuffer charBuffer = charset.decode(byteBuffer); 

编码与解码都在一个类中完成，通过 forName()方法设置编解码字符集，这样更容易统一编码格式。
Java 中还有一个 ByteBuffer 类，它提供一种 char 和 byte 之间的软转换，它们之间转换不需要编码与解码，只是把一个 16bit 的 char 格式，拆分成为 2 个 8bit 的 byte 表示，它们的实际值并没有被修改，仅仅是数据的类型做了转换。如下代码所以：

ByteBuffer heapByteBuffer = ByteBuffer.allocate(1024);   ByteBuffer byteBuffer = heapByteBuffer.putChar(c);

一般涉及到编码和解码的地方是在字符和字节相互转换的时候，处理不好就会出现乱码，，首先是如何检测乱码的问题：

/** * 判断字符是否是中文 * * @param c字符 * @return 是否是中文 */public static boolean isChinese(char c) {Character.UnicodeBlock ub = Character.UnicodeBlock.of(c);if (ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS|| ub == Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS|| ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_A|| ub == Character.UnicodeBlock.GENERAL_PUNCTUATION|| ub == Character.UnicodeBlock.CJK_SYMBOLS_AND_PUNCTUATION|| ub == Character.UnicodeBlock.HALFWIDTH_AND_FULLWIDTH_FORMS) {return true;}return false;}/** * 判断字符串是否是乱码 * * @param strName * @return 是否是乱码 */public static boolean isMessyCode(String strName) {Pattern p = Pattern.compile("\\s*|t*|r*|n*");Matcher m = p.matcher(strName);String after = m.replaceAll("");String temp = after.replaceAll("\\p{P}", "");char[] ch = temp.trim().toCharArray();float chLength = ch.length;float count = 0;for (int i = 0; i < ch.length; i++) {char c = ch[i];if (!Character.isLetterOrDigit(c)) {if (!isChinese(c)) {count = count + 1;}}}if (count > 0) {return true;} else {return false;}}

说明：

Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS ： 4E00-9FBF：CJK 统一表意符号 
Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS ：F900-FAFF：CJK 兼容象形文字 

Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_A ：3400-4DBF：CJK 统一表意符号扩展 A
CJK的意思是“Chinese，Japanese，Korea”的简写 ，实际上就是指中日韩三国的象形文字的Unicode编码 
Character.UnicodeBlock.GENERAL_PUNCTUATION ：2000-206F：常用标点 

Character.UnicodeBlock.CJK_SYMBOLS_AND_PUNCTUATION ：3000-303F：CJK 符号和标点 

Character.UnicodeBlock.HALFWIDTH_AND_FULLWIDTH_FORMS ：FF00-FFEF：半角及全角形式

关于unicode编码的知识后方会详细解释。

有时候我们想把乱码的字节打印出来，以便查看是哪个几个bit位出现了乱码，这在java中还是比较方便的：

public static void main(String[] args) {String str = "中严";printBytes("unicode :", str.getBytes(Charset.forName("unicode")));printBytes("gbk :", str.getBytes(Charset.forName("gbk")));printBytes("utf-8 :", str.getBytes(Charset.forName("utf-8")));printBytes("default :", str.getBytes());printBytes("latin-1 :", str.getBytes(Charset.forName("ISO-8859-1")));}public static void printBytes(String title, byte[] data) {System.out.println(title + toHexString(data));System.out.println(toBinString(data));}public static String toHexString(byte[] values) {StringBuilder sBuilder = new StringBuilder();for (byte value : values) {String tmp = Integer.toHexString(value & 0xFF);if (tmp.length() == 1) {tmp = "0" + tmp;}sBuilder.append(tmp.toUpperCase()).append(" ");}return sBuilder.toString();}private static final String zero = "00000000";public static String toBinString(byte[] values) {StringBuilder sBuilder = new StringBuilder();for (byte value : values) {String tmp = Integer.toBinaryString(value & 0xFF);if (tmp.length() < 8) {tmp = zero.substring(tmp.length()) + tmp;}sBuilder.append(tmp).append(" ");}return sBuilder.toString();}

输出(java文件编码为utf-8)：

unicode :FE FF 4E 2D 4E 25 11111110 11111111 01001110 00101101 01001110 00100101 gbk :D6 D0 D1 CF 11010110 11010000 11010001 11001111 utf-8 :E4 B8 AD E4 B8 A5 11100100 10111000 10101101 11100100 10111000 10100101 default :E4 B8 AD E4 B8 A5 11100100 10111000 10101101 11100100 10111000 10100101 latin-1 :3F 3F 00111111 00111111 

需要注意的是，从字符串对象中取出的Unicode编码的字节流数据时，其开始部分存在一个BOM（ByteOrderMark），一般情况下，该BOM值为“0xFE 0xFF”，即大端字节序（BIG_ENDIAN）。如果BOM值为“0xFF 0xFE”则为小端字节序（LITTLE_ENDIAN）。这里主要是Integer类的toHexString、toBinaryString方法，这两个方法会把参数当成32位的整型，所以要用byte&0xFF,把高24位1给去掉。

在Java程序运行过程中，字符串对象始终以Unicode编码方式保存在内存中，但将字符串对象保存到持久化资源（文件或数据库）或将其通过网络传输时，通常是以字节的方式进行处理。

利用String类的getBytes()方法返回不同字符集的字节流数据，其本质是从Unicode字符集编码向其它字符集编码转换的过程。

String str = "中";//存在编码转换byte[] bytes1 = str.getBytes(); // D6 D0(java文件是gbk编码)/E4 B8 AD(java文件是utf-8编码)byte[] bytes2 = str.getBytes("ISO-8859-1"); // 3FSystem.out.println(new String(bytes1)); // 正常显示中System.out.println(new String(bytes2)); // 输出"?"

把一个字符串“中”赋给 String 类的一个对象 str，这个字符串“中”是按照操作系统默认编码方式(也就是java文件的编码方式)进行编码，在中文 windows 系统中通常是“GBK”，“中”在GBK编码中是0xD6D0，在将该字符赋给str时，Java会对该字符串进行编码转换，即将GBK编码方式的“中”转换成Unicode编码方式的“中”，Unicode编码方式“中”的编码是0x4E2D，所以str在程序运行期间在内存中的二进制表示成16进制就是0x4E2D。
       获得str字符串的二进制形式。getBytes(String encoding)方法需要指定编码方式，表示获得该字符串在何种编码方式中的二进制形式。此语句中没有设置参数，表示采用操作系统默认的编码方式(也就是所在java文件的编码方式)，所以是GBK编码的二进制形式，即bytes[0]=0xD6, bytes[1]=0xD0（中的GBK编码为0xD6D0）。由于GBK编码也支持中文，所以输出时不会显示为乱码。
       在指定了编码方式为ISO-8859-1，即通常所说的Latin-1时，该编码采用8bit对字符编码，所以编码空间中只有256个字符。该编码中只包含了基本的ASCII码和一些扩展的其它西欧字符，所以该字符集中不可能包含中文的“中”字，也就是说Java虚拟机无法在ISO-8859-1编码集中找到“中”字对应的编码(也即将中转换为unicode编码后找不到对应latin-1字符)，针对这种情况，就只返回一个问号(?,0x3f)字符，所以此时bytes.length只有1，且bytes[0]=0x3f。

也可以利用String类的构造方法根据不同字符集的字节流数据产生一个字符串对象，其本质是从其它字符集编码向Unicode字符集编码转换的过程(与String.getBytes相对)。常见形式如下：

new String(byte[] bytes, String encoding)  

例子(验证此示例时，java文件的编码方式必须为GBK)：

byte[] bytes = {(byte)0xD6, (byte)0xD0, (byte)0x31};  String str1 = new String(bytes);  String str2= new String(bytes,"ISO-8859-1");  System.out.println(str1);   // 中1  System.out.println(str2);   // ??1  

该方法按照encoding编码方法对字节数组bytes中的二进制数组进行解析，生成一个新的字符串对象。
     将该字节数组中的二进制数据按照默认的编码方式（GBK）编码成字符串，我们知道GBK中0xD6 0xD0表示“中”，0x31表示字符“1”（GBK兼容ASCII，但不兼容ISO-8859-1除ASCII之外的部分），所以str1得到的值是“中1”
     该句用ISO-8859-1编码方式对该字节数据进行编码，由于在ISO-8859-1编码方式中一个字节会被解析成一个字符，所以该字节数组会被解释成包含三个字符的字符串，但由于在ISO-8859-1编码方式中没有对应0xD6和0xD0的字符，所以前两个字符会产生两个问号，由于0x31在ISO-8859-1编码中对应字符“1”（ISO-8859-1也兼容ASCII），所以此语句得到str的值是“??1”。

二、unicode与utf-8关系

1. ASCII码

ASCII码一共规定了128个字符的编码，比如空格"SPACE"是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。

2、非ASCII编码
英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用ASCII码表示。于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。
但是，这里又出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。比如，130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel (ג)，在俄语编码中又会代表另一个符号。但是不管怎样，所有这些编码方式中，0--127表示的符号是一样的，不一样的只是128--255的这一段。
至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示256x256=65536个符号。
中文编码的问题需要专文讨论，这篇笔记不涉及。这里只指出，虽然都是用多个字节表示一个符号，但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。

3.Unicode
可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是Unicode，就像它的名字都表示的，这是一种所有符号的编码。
Unicode当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样，比如，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字"严"。具体的符号对应表，可以查询unicode.org，或者专门的汉字对应表。

4. Unicode的问题
需要注意的是，Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。
比如，汉字"严"的unicode是十六进制数4E25，转换成二进制数足足有15位（100111000100101），也就是说这个符号的表示至少需要2个字节。表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。
这里就有两个严重的问题，第一个问题是，如何才能区别Unicode和ASCII？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果Unicode统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。
它们造成的结果是：1）出现了Unicode的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示Unicode。2）Unicode在很长一段时间内无法推广，直到互联网的出现。

5.UTF-8
互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种Unicode的实现方式。其他实现方式还包括UTF-16（字符用两个字节或四个字节表示）和UTF-32（字符用四个字节表示），不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。
UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。
UTF-8的编码规则很简单，只有二条：
1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。
2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。
下表总结了编码规则，字母x表示可用编码的位。

Unicode符号范围 | UTF-8编码方式(十六进制) | （二进制）--------------------+---------------------------------------------0000 0000-0000 007F | 0xxxxxxx0000 0080-0000 07FF | 110xxxxx 10xxxxxx0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

跟据上表，解读UTF-8编码非常简单。如果一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。
下面，还是以汉字"严"为例，演示如何实现UTF-8编码。
已知"严"的unicode是4E25（100111000100101），根据上表，可以发现4E25处在第三行的范围内（0000 0800-0000 FFFF），因此"严"的UTF-8编码需要三个字节，即格式是"1110xxxx 10xxxxxx 10xxxxxx"。然后，从"严"的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，"严"的UTF-8编码是"11100100 10111000 10100101"，转换成十六进制就是E4B8A5。

6. Unicode与UTF-8之间的转换
通过上一节的例子，可以看到"严"的Unicode码是4E25，UTF-8编码是E4B8A5，两者是不一样的。它们之间的转换可以通过程序实现。
在Windows平台下，有一个最简单的转化方法，就是使用内置的记事本小程序Notepad.exe。打开文件后，点击"文件"菜单中的"另存为"命令，会跳出一个对话框，在最底部有一个"编码"的下拉条。
里面有四个选项：ANSI，Unicode，Unicode big endian 和 UTF-8。
1）ANSI是默认的编码方式。对于英文文件是ASCII编码，对于简体中文文件是GB2312编码（只针对Windows简体中文版，如果是繁体中文版会采用Big5码）。
2）Unicode编码指的是UCS-2编码方式，即直接用两个字节存入字符的Unicode码。这个选项用的little endian格式。
3）Unicode big endian编码与上一个选项相对应。我在下一节会解释little endian和big endian的涵义。
4）UTF-8编码，也就是上一节谈到的编码方法。
选择完"编码方式"后，点击"保存"按钮，文件的编码方式就立刻转换好了。
7. Little endian和Big endian
上一节已经提到，Unicode码可以采用UCS-2格式直接存储。以汉字"严"为例，Unicode码是4E25，需要用两个字节存储，一个字节是4E，另一个字节是25。存储的时候，4E在前，25在后，就是Big endian方式；25在前，4E在后，就是Little endian方式。也即高位在前为大头，低位在前为小头。
因此，第一个字节在前，就是"大头方式"（Big endian），第二个字节在前就是"小头方式"（Little endian）。
那么很自然的，就会出现一个问题：计算机怎么知道某一个文件到底采用哪一种方式编码？
Unicode规范中定义，每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符的名字叫做"零宽度非换行空格"（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。这正好是两个字节，而且FF比FE大1。
如果一个文本文件的头两个字节是FE FF，就表示该文件采用大头方式；如果头两个字节是FF FE，就表示该文件采用小头方式。
8. 实例
下面，举一个实例。
打开"记事本"程序Notepad.exe，新建一个文本文件，内容就是一个"严"字，依次采用ANSI，Unicode，Unicode big endian 和 UTF-8编码方式保存。
然后，用文本编辑软件UltraEdit中的"十六进制功能"，观察该文件的内部编码方式。
1）ANSI：文件的编码就是两个字节"D1 CF"，这正是"严"的GB2312编码，这也暗示GB2312是采用大头方式存储的。
2）Unicode：编码是四个字节"FF FE 25 4E"，其中"FF FE"表明是小头方式存储，真正的编码是4E25。
3）Unicode big endian：编码是四个字节"FE FF 4E 25"，其中"FE FF"表明是大头方式存储。
4）UTF-8：编码是六个字节"EF BB BF E4 B8 A5"，前三个字节"EF BB BF"表示这是UTF-8编码，后三个"E4B8A5"就是"严"的具体编码，它的存储顺序与编码顺序是一致的。

三、java工程中常用编码

如果编写一个java文件，用来读取网络资源、本地文件a以及java文件中的字符串。然后输出读取的字符串到文件b.txt中。则这个过程涉及到如下几个有编码的地方：
java文件编码格式；java文件编写保存；编译成Class文件；load class文件到JVM；内存(java文件中的字符串;运行时从网络中读取到内存中的字符串;运行时从本地文件中读取到内存中的字符串;运行时将内存中的字符串写入到文件中)

1 java文件编码格式
   Java文件在编写之前需要指定文件的编码格式，默认编码和当前操作系统平台编码保持一致。比如，当前操作系统平台为windows中文版，那么编码一般为GBK。当然可以对保存文件的编码进行修改。例如修改成UTF-8。那么此时文件保存的编码就为UTF-8。
 
2 java文件编写保存
   java文件编写完成之后，那么则以第一步的编码进行保存。另外，当前java文件中的所有字符串则以第一步中的编码得以保存。比如说当前java文件中有 String str=”abc中国”;第一步的编码设置为UTF-8，那么则以UTF-8进行保存。如果是GBK，那么则以GBK进行保存。

3 编译成Class
   编译后的class文件的编码固定为UTF-8；和java文件编码格式无关。说明，编译器在编译的过程中将文件格式做了处理。编译器的这种处理操作不会带来乱码问题，因为我们必须要相信编译器的编解码处理过程。
 
4 Load class 文件到jvm
   jvm中的所有字符串编码都为unicode。所以的话，从class文件再到jvm。编码又做了一次处理。同样也必须相信这种处理不会为乱码留下伏笔；
 
5 内存
   内存中运行的是jvm中的数据，jvm中的数据编码为unicode。那么内存中同样也以unicode方式进行存储。但是有一个问题，内存运行的过程中，可能会设计到读取文件内容、网络内容以及输出这些内容的操作。在内存中读取的网络内容、文件内容会以不同的编码出现。这种编码和java文件中处理的方式有关。这儿是乱码问题出现原因的一部分。内存中还有输出字符串内容到文件的操作。这儿也会存在问题。

过程分析：

1、java文件中的字符串

String str = "中国";byte[] bytes = str.getBytes("gbk");printBytes("gbk :", str.getBytes(Charset.forName("gbk")));System.out.println(Charset.defaultCharset());String newstr = new String(bytes, "utf-8");System.out.println(newstr.length());System.out.println(newstr);

输出：

gbk :D6 D0 B9 FA 11010110 11010000 10111001 11111010 UTF-83�й�

流程为： 中国 以gbk编码保存——》以utf-8 编码的class文件存在——》以unicode编码load于jvm中——》同样以unicode的形式存在于内存中——》再以gbk编码转成字节——》最后以utf-8编码转成字符串；

经验证，jvm把中间两个字节看成一个字符的编码了，因为110后面跟10是合法的，110后跟110是非法的。

abc.getBytes() 方法将字符串转换成字节处理方式是以当前平台的编码进行处理，而在选择java文件右键Properties——》Text file encoding 中进行设置的编码就是此时java文件平台的编码。str.getBytes() 的本质是 abc.getBytes( Charset.defaultCharset()) ；

2、运行时从网络中读取到内存中的字符串

URL url = new URL("http://localhost:12777/a/b.do");URLConnection urlconnection = url.openConnection();InputStream ins = urlconnection.getInputStream();byte[] bytes = new byte[ins.available()];/* * 返回的len是保存到bytes数组中实际的长度，比如说bytes数组定义长度为1024， * 但是只读取了100个字节长度，那么则返回的len为100，len最大值为bytes数组初始长度 */int len = ins.read(bytes);ins.close();

从网络中读取资源文件的时候，无论当前java文件编码为何值，我们最后得到的一个个字节只与读取的资源文件保存的编码有关。对于读取网络资源乱码问题，如果能够知道资源的编码格式，那么，只需要在转成字符串的过程中使用这种编码就行。所以，关键问题落在了判断资源文件编码方式是那种。

3、运行时从本地文件中读取到内存中的字符串
和网络中读取的结果完全一样，参考其上！

 4、运行时将内存中的字符串写入到文件中
   首先确保，读取到内存中的字符串正确，然后写入的话，一定要确保知道写入文件的保存编码，而不是按照默认的jvm运行编码进行保存。

字符集常识：

GBK 和 unicode的关系是存在一个键值对表保存gbk 十六进制和unicode十六进制的关系。然后通过unicode编码和中文对照关系，则可以通过一个gbk编码得到对应的中文汉字。通过gbk——获得unicode编码值——通过unicode编码值获得中文汉字
小结： gbk 与unicode之间的转换是通过gbk unicode映射表。
       Utf-8 与unicode之间的转换是通过转换规则公式
       所以说，unicode是核心中介。Gbk要转换成utf-8的话，先转成unicode。然后unicode再转换成utf-8；反之亦然。

判断资源文件编码方式是那种。
有些文件是由BOM（byte order mark 字节序标记）的，那么我们只需要判断文件的BOM 就行。 比如说UTF-8 的BOM 是前三个字节为：-17、-69、-65。GBK 则前两个字节为 -1  -2。所以一个文件含有ROM 的话，我们只需要判断字节序列标示就行。但是往往某些资源文件是没有字节序列标示符的。所以，就得考虑其他的方式解决了:
1、当读取的字节在0-127范围的话，说明是ascii字符。直接通过 char c=(char) ?转换就行 ;
2、如果字节 大于127 ，那么则判断字节是不是在128到224范围内，如果是的话，说明是GBK编码。因为utf-8的第一个字节范围是224到255范围内的。
3、如果不在128到224范围内，接着判断第二个字节，如果第二个字节在64到128范围内的话，那么则为GBK 编码。因为UTF-8 的第二三个字节范围是128--255.获取这两个字节，转成十六进制，再通过gbk unicode映射表就可以得到unicode值，再通过unicode值就可以得到中文汉字。
4、如果第二个字节依旧不在64到128范围内。那么则判断第三个字节。如果第三个字节在0--127范围的话，说明前两个字节为gbk编码。因为gbk编码是两个字节。
5、如果第三个字节大于127的话，说明这三个字节为utf-8编码。然后通过utf-8 与unicode的转码规则公式换算成unicode，然后通过unicode得到中文汉字。

参考：

unicode百科

GBK与unicode对照

查看字符集编码

Java 7之基础 - 编码与解码