2005年7月3日的资料相关

String.getBytes()方法中的中文编码问题

String.getBytes()的问题

String的getBytes()方法是得到一个字串的字节数组，这是众所周知的。但特别要注意的是，本方法将返回该操作系统默认的编码格式的字节数组。如果你在使用这个方法时不考虑到这一点，你会发现在一个平台上运行良好的系统，放到另外一台机器后会产生意想不到的问题。比如下面的程序，
class TestCharset
{

    public static void main(String[] args)
    {
        new TestCharset().execute();
    }

    private void execute() {
        String s = "Hello!你好！";

        byte[] bytes = s.getBytes();

        System.out.println("bytes lenght is:" + bytes.length);

    }

}

在一个中文WindowsXP系统下，运行时，结果为：
bytes lenght is:12

但是如果放到了一个英文的UNIX环境下运行：
$ java TestCharset
bytes lenght is:9

如果你的程序依赖于该结果，将在后续操作中引起问题。为什么在一个系统中结果为12，而在另外一个却变成了9了呢？上面已经提到了，该方法是和平台（编码）相关的。在中文操作系统中，getBytes方法返回的是一个GBK或者GB2312的中文编码的字节数组，其中中文字符，各占两个字节。而在英文平台中，一般的默认编码是“ISO-8859-1”，每个字符都只取一个字节（而不管是否非拉丁字符）。

Java中的编码支持

Java是支持多国编码的，在Java中，字符都是以Unicode进行存储的，比如，“你”字的Unicode编码是“4f60”，我们可以通过下面的实验代码来验证：
class TestCharset
{

    public static void main(String[] args)
    {
        char c = ‘你‘;
        int i = c;
        System.out.println(c);
        System.out.println(i);
    }

}

不管你在任何平台上执行，都会有相同的输出：

----------------- output ------------------
你
20320

20320就是Unicode “4f60”的整数值。其实，你可以反编译上面的类，可以发现在生成的.class文件中字符“你”（或者其它任何中文字串）本身就是以Unicode编码进行存储的：
        char c = ‘\u4F60‘;
        ... ...

即使你知道了编码的编码格式，比如：
javac -encoding GBK TestCharset.java
编译后生成的.class文件中仍然是以Unicode格式存储中文字符或字符串的。

使用String.getBytes(String charset)方法

所以，为了避免这种问题，我建议大家都在编码中使用String.getBytes(String charset)方法。下面我们将从字串分别提取ISO-8859-1和GBK两种编码格式的字节数组，看看会有什么结果：
class TestCharset
{

    public static void main(String[] args)
    {
        new TestCharset().execute();
    }

    private void execute() {
        String s = "Hello!你好！";

        byte[] bytesISO8859 =null;
        byte[] bytesGBK = null;

        try
        {
            bytesISO8859 = s.getBytes("iso-8859-1");
            bytesGBK = s.getBytes("GBK");
        }
        catch (java.io.UnsupportedEncodingException e)
        {
            e.printStackTrace();
        }

        System.out.println("-------------- \n 8859 bytes:");
        System.out.println("bytes is:     " + arrayToString(bytesISO8859));
        System.out.println("hex format is:" + encodeHex(bytesISO8859));
        System.out.println();

        System.out.println("-------------- \n GBK bytes:");
        System.out.println("bytes is:     " + arrayToString(bytesGBK));
        System.out.println("hex format is:" + encodeHex(bytesGBK));

    }

    public static final String encodeHex (byte[] bytes) {
        StringBuffer buff = new StringBuffer(bytes.length * 2);
        String b;
        for (int i=0; i<bytes.length ; i++)
        {
            b = Integer.toHexString(bytes[i]);
            // byte是两个字节的，而上面的Integer.toHexString会把字节扩展为4个字节
            buff.append(b.length() > 2 ? b.substring(6,8) : b);
            buff.append(" ");
        }
        return buff.toString();
    }

    public static final String arrayToString (byte[] bytes) {
        StringBuffer buff = new StringBuffer();
        for (int i=0; i<bytes.length ; i++)
        {
            buff.append(bytes[i] + " ");
        }
        return buff.toString();
    }

}
执行上面程序将打印出：
--------------
8859 bytes:
bytes is:     72 101 108 108 111 33 63 63 63
hex format is:48 65 6c 6c 6f 21 3f 3f 3f

--------------
GBK bytes:
bytes is:     72 101 108 108 111 33 -60 -29 -70 -61 -93 -95
hex format is:48 65 6c 6c 6f 21 c4 e3 ba c3 a3 a1

可见，在s中提取的8859-1格式的字节数组长度为9，中文字符都变成了“63”，ASCII码为63的是“?”，一些国外的程序在国内中文环境下运行时，经常出现乱码，上面布满了“?”，就是因为编码没有进行正确处理的结果。而提取的GBK编码的字节数组中正确得到了中文字符的GBK编码。字符“你”“好”“！”的GBK编码分别是：“c4e3”“bac3”“a3a1”。得到了正确的以GBK编码的字节数组，以后需要还原为中文字串时，可以使用下面方法：
new String(byte[] bytes, String charset)