java编码详解

举个例子

我们在开发过程中,特别是多种编码格式并存的情况下，很容易遇到乱码问题。
假如有一个GBK编码java文件，然后再使用-Dfile.encoding=GBK参数，写入的文件中哪些是乱码呢。那如果使用UFT-8编码的java文件呢。

public class Main {
    static String content = "中文";

    public static void main(String[] args) throws IOException {
        OutputStreamWriter gbkWriter =new OutputStreamWriter(new FileOutputStream("GBK-FILE"),"GBK");

       // 情况1、2、5的结果肯定是一致的
        gbkWriter.write(content+"\n"); //(1)
        gbkWriter.write(new String(content.getBytes("GBK"),"GBK")+"\n");             // (2)
        gbkWriter.write(new String(content.getBytes("GBK"), "UTF-8")+"\n");          // (3)
        gbkWriter.write(new String(content.getBytes("UTF-8"),"GBK")+"\n");            // (4)
        gbkWriter.write(new String(content.getBytes("UTF-8"), "UTF-8")+"\n");   // (5)

        gbkWriter.flush();
        gbkWriter.close();

    }
}

java编译到输出

其实用一张图就可以清晰的概括出从java文件编译到输出的过程

主要有3个地方的编码转换：

编译过程

上图①所示的位置，其实就是

javac -encoding xxx

的时候控制，如果你没有显示的指定编码，那么会根据当前操作系统的默认编码格式进行编译，一般windows是gbk，linux是UTF-8。如果这里编码指定错了，那么你的代码很有可能出现中文乱码问题，注意是很有可能，而不是绝对。原因后面会说到。编译出来的class文件统一都是UTF-8格式

运行时过程

当class文件加载的jvm的时候，也会进行字符串编码转换，和前面一样，会使用操作系统默认的编码格式(这里的编码不是指class文件的编码，而是指java文件的编码格式,类似于指定java文件是什么编码格式编译为class文件的)。

java -Dfile.encoding=xxx

在java运行过程中，字符串在内存中则是使用Unicode(UTF-16)进行存储的。而UtF-8转换为UTF-16是很简单的过程。当我们标用String.getBytes()时候，则是把内存中的unicode转换对应的字节数组。(如果没有指定，则使用操作系统默认的编码格式)。可以看出，把一个字符串从编译到内存，其实是经历的过程为：

编译文件编码->加载jvm编码->unicode

例子解析

如果理解上面的，我们再看看文章一开始的例子。举几个例子做说明，其他的情况也就逐类旁通。

例子1

• java文件编码：GBK,
• javac -encoding GBK
• java -Dfile.encoding=GBK
  那么使用GBK编码查看输出文件
• (1)正常
• (2)正常
• (3)乱码
• (4)乱码
• (5)正常

情况(1)

情况1是比较好理解的，因为java文件编码、编译、加载都是使用GBK，加载到内存中Unicode肯定也是正常的，那么打印出来也是正常的。

情况(2)和情况(5)

在情况1的前提下（即加载到内存中是正常的），在jvm中使用GBK解码在编码肯定是正常的。

情况(3)和情况(4)

在情况1的前提下，使用不同的解码和编码，肯定是乱码

特殊情况

当我们使用UTF-8的格式打开文件的时候，情况(4)是正常的，其余都是乱码。其实是因为先使用unicode进行转换为UTF-8格式的Byte数组，生成的字符串虽然乱码和写文件的格式都是GBK，相当于原封不动的UTF-8格式的byte数组写到文件中，所以就会出现这个情况

小节

这个例子就是直至加载到内存都是正常的情况下，在jvm内进行编码和解码导致乱码的情况

例子2

• java文件编码：UTF-8,
• javac -encoding GBK
• java -Dfile.encoding=UTF-8

那么使用GBK编码查看输出文件

• (1)乱码
• (2)乱码
• (3)正常
• (4)乱码
• (5)乱码

情况(1)

情况1是乱码，说明字符串加载到内存中就已经是乱码了。因为UFT-8格式使用GBK进行编码，在生成class文件就已经是乱码了。

情况(3)

情况3为什么又是正常的呢，其实这是误打误撞类型。个人理解的造成这个情况的原因有：
1. java文件的编码正好和jvm加载文件编码格式是一样的
2. javac过程，相当于一个UTF-8->GBK格式转换，而content.getBytes(“GBK”), “UTF-8”)又相当于GBK->UTF-8的转换，两次转换正好相互抵消。

使用UTF-8编码查看输出文件

• (1)正常
• (2)正常
• (3)乱码
• (4)乱码
• (5)正常

为什么是使用UTF-8打开情况1不是乱码了呢，其实和上面误打误撞，只不过之前发生在内存中的GBK->UTF-8换为我们在打开文件的时候进行的编码转换，情况1、2、5结果肯定一致的

小结

和例子1不一样，例子2是在生成class文件就已经是乱码的情况。这就是前面所说的，生成class乱码，但输出不一定是乱码。

总结

一句话:一定要保证java文件、编译、加载class文件、输出的编码格式一致。如果出现了乱码，可以从这几个阶段进行排查。