【Java基础专题】编码与乱码(05)---GBK与UTF-8之间的转换

原文出自：http://www.blogjava.net/pengpenglin/archive/2010/02/22/313669.html

在很多论坛、网上经常有网友问“ 为什么我使用 new String(tmp.getBytes("ISO-8859-1"), "UTF-8") 或者 new String(tmp.getBytes("ISO-8859-1"), "GBK")可以得到正确的中文，但是使用 new String(tmp.getBytes("GBK"), "UTF-8") 却不能将GBK转换成UTF-8呢？”

参考前面的 【Java基础专题】编码与乱码(03)----String的toCharArray()方法测试  一文，我们就知道原因了。因为如果客户端使用GBK、UTF-8编码，编码后的字节经过ISO-8859-1传输，再用原来相同的编码方式进行解码，这个过程是“无损的转换”---- 因为原始和最终的编码方式相同。

但是如果客户端使用GBK编码，到了服务器端要转换成UTF-8，或者相反的过程。想一想，字节还是那些字节，但是编码的规则变了。原来GBK编码后的4个字节要用UTF-8的每个字符3个字节的规则编码，怎么能不乱码呢？

所以从现在开始，不要再犯这种错误了。new String(tmp.getBytes("GBK"), "UTF-8") 这个过程，JVM内部是不会帮你自动对字节进行扩展以适应UTF-8的编码的。正确的方法应该是根据UTF-8的编码规则进行字节的扩充，即手动从2个字节变成3个字节，然后再转换成十六进制的UTF-8编码。

在这个专题的第一篇文章 【Java基础专题】编码与乱码(01)---编码基础  开头，我们就已经介绍了这个规则：
 ①得到每个字符的2进制GBK编码
 ②将该16进制的GBK编码转换成2进制的字符串(2个字节)
 ③分别在字符串的首位插入110，在第9位插入10，在第17位插入10三个字符串，得到3个字节
 ④将这3个字节分别转换成16进制编码，得到最终的UTF-8编码。



下面给出一个从网络上得到的Java转码方法，原文链接见： http://jspengxue.javaeye.com/blog/40781 。下面的代码做了小小的修改

package  example.encoding;

/**
 * The Class CharacterEncodeConverter.
 */
public   class  CharacterEncodeConverter  {

    /**
     * The main method.
     * 
     * @param args the arguments
     */
    public static void main(String[] args) {

        try {
            CharacterEncodeConverter convert = new CharacterEncodeConverter();
            byte[] fullByte = convert.gbk2utf8("中文");
            String fullStr = new String(fullByte, "UTF-8");
            System.out.println("string from GBK to UTF-8 byte:  " + fullStr);

        } catch (Exception e) {
            e.printStackTrace();
        }
    }

    /**
     * Gbk2utf8.
     * 
     * @param chenese the chenese
     * 
     * @return the byte[]
     */
    public byte[] gbk2utf8(String chenese) {
        
        // Step 1: 得到GBK编码下的字符数组，一个中文字符对应这里的一个c[i]
        char c[] = chenese.toCharArray();
        
        // Step 2: UTF-8使用3个字节存放一个中文字符，所以长度必须为字符的3倍
        byte[] fullByte = new byte[3 * c.length];
        
        // Step 3: 循环将字符的GBK编码转换成UTF-8编码
        for (int i = 0; i < c.length; i++) {
            
            // Step 3-1：将字符的ASCII编码转换成2进制值
            int m = (int) c[i];
            String word = Integer.toBinaryString(m);
            System.out.println(word);

            // Step 3-2：将2进制值补足16位(2个字节的长度) 
            StringBuffer sb = new StringBuffer();
            int len = 16 - word.length();
            for (int j = 0; j < len; j++) {
                sb.append("0");
            }
            // Step 3-3：得到该字符最终的2进制GBK编码
            // 形似：1000 0010 0111 1010
            sb.append(word);
            
            // Step 3-4：最关键的步骤，根据UTF-8的汉字编码规则，首字节
            // 以1110开头，次字节以10开头，第3字节以10开头。在原始的2进制
            // 字符串中插入标志位。最终的长度从16--->16+3+2+2=24。
            sb.insert(0, "1110");
            sb.insert(8, "10");
            sb.insert(16, "10");
            System.out.println(sb.toString());

            // Step 3-5：将新的字符串进行分段截取，截为3个字节
            String s1 = sb.substring(0, 8);
            String s2 = sb.substring(8, 16);
            String s3 = sb.substring(16);

            // Step 3-6：最后的步骤，把代表3个字节的字符串按2进制的方式
            // 进行转换，变成2进制的整数，再转换成16进制值
            byte b0 = Integer.valueOf(s1, 2).byteValue();
            byte b1 = Integer.valueOf(s2, 2).byteValue();
            byte b2 = Integer.valueOf(s3, 2).byteValue();
            
            // Step 3-7：把转换后的3个字节按顺序存放到字节数组的对应位置
            byte[] bf = new byte[3];
            bf[0] = b0;
            bf[1] = b1;
            bf[2] = b2;
            
            fullByte[i * 3] = bf[0];            
            fullByte[i * 3 + 1] = bf[1];            
            fullByte[i * 3 + 2] = bf[2];
            
            // Step 3-8：返回继续解析下一个中文字符
        }
        return fullByte;
    }
}

最终的测试结果是正确的：string from GBK to UTF-8 byte:  中文。

但是这个方法并不是完美的！要知道这个规则只对中文起作用，如果传入的字符串中包含有单字节字符，如a+3中文，那么解析的结果就变成：string from GBK to UTF-8 byte:  ?????????中文了。为什么呢？道理很简单，这个方法对原本在UTF-8中应该用单字节表示的数字、英文字符、符号都变成3个字节了，所以这里有9个?，代表被转换后的a、+、3字符。

所以要让这个方法更加完美，最好的方法就是加入对字符Unicode区间的判断

UCS-2编码(16进制)	UTF-8 字节流(二进制)
0000 - 007F	0xxxxxxx
0080 - 07FF	110xxxxx 10xxxxxx
0800 - FFFF	1110xxxx 10xxxxxx 10xxxxxx

汉字的Unicode编码范围为\u4E00-\u9FA5 \uF900-\uFA2D,如果不在这个范围内就不是汉字了。

【UTF-8转GBK】

道理和上面的相同，只是一个逆转的过程，不多说了

但是最终的建议还是：能够统一编码就统一编码吧！要知道编码的转换是相当的耗时的工作