- java中判断字符编码以及转码
- [参考]判断字符编码以及转码的一个工具类
- http://hi.baidu.com/pazhu/blog/item/efcce7a2034ae9a8caefd05b.html
- 2008-07-01 08:55
- /**
- * Date: 2008-6-27
- * <p>Copyright: Copyright (c) 2006</p>
- *
- * @version 1.0
- * @author: SRH
- */
- public class TranCharset {
- private static final String PRE_FIX_UTF = "&#x";
- private static final String POS_FIX_UTF = ";";
- public TranCharset() {
- }
- /**
- * Translate charset encoding to unicode
- *
- * @param sTemp charset encoding is gb2312
- * @return charset encoding is unicode
- */
- public static String XmlFormalize(String sTemp) {
- StringBuffer sb = new StringBuffer();
- if (sTemp == null || sTemp.equals("")) {
- return "";
- }
- String s = TranCharset.TranEncodeTOGB(sTemp);
- for (int i = 0; i < s.length(); i++) {
- char cChar = s.charAt(i);
- if (TranCharset.isGB2312(cChar)) {
- sb.append(PRE_FIX_UTF);
- sb.append(Integer.toHexString(cChar));
- sb.append(POS_FIX_UTF);
- } else {
- switch ((int) cChar) {
- case 32:
- sb.append(" ");
- break;
- case 34:
- sb.append(""");
- break;
- case 38:
- sb.append("&");
- break;
- case 60:
- sb.append("<");
- break;
- case 62:
- sb.append(">");
- break;
- default:
- sb.append(cChar);
- }
- }
- }
- return sb.toString();
- }
- /**
- * 将字符串编码格式转成GB2312
- *
- * @param str
- * @return
- */
- public static String TranEncodeTOGB(String str) {
- try {
- String strEncode = TranCharset.getEncoding(str);
- String temp = new String(str.getBytes(strEncode), "GB2312");
- return temp;
- } catch (java.io.IOException ex) {
- return null;
- }
- }
- /**
- * 判断输入字符是否为gb2312的编码格式
- *
- * @param c 输入字符
- * @return 如果是gb2312返回真,否则返回假
- */
- public static boolean isGB2312(char c) {
- Character ch = new Character(c);
- String sCh = ch.toString();
- try {
- byte[] bb = sCh.getBytes("gb2312");
- if (bb.length > 1) {
- return true;
- }
- } catch (java.io.UnsupportedEncodingException ex) {
- return false;
- }
- return false;
- }
- /**
- * 判断字符串的编码
- *
- * @param str
- * @return
- */
- public static String getEncoding(String str) {
- String encode = "GB2312";
- try {
- if (str.equals(new String(str.getBytes(encode), encode))) {
- String s = encode;
- return s;
- }
- } catch (Exception exception) {
- }
- encode = "ISO-8859-1";
- try {
- if (str.equals(new String(str.getBytes(encode), encode))) {
- String s1 = encode;
- return s1;
- }
- } catch (Exception exception1) {
- }
- encode = "UTF-8";
- try {
- if (str.equals(new String(str.getBytes(encode), encode))) {
- String s2 = encode;
- return s2;
- }
- } catch (Exception exception2) {
- }
- encode = "GBK";
- try {
- if (str.equals(new String(str.getBytes(encode), encode))) {
- String s3 = encode;
- return s3;
- }
- } catch (Exception exception3) {
- }
- return "";
- }
- }
以下资料还未测试:
在JAVA源文件-->JAVAC-->Class-->Java-->getBytes()-->new String()-->显示的过程中,每一步都有编码的转换过程,这个过程总是存在的,只是有的时候用默认的参数进行。
HelloWorld.java:
------------------------
public class HelloWorld
{
public static void main(String[] argv){
try{
System.out.println("中文");//1
System.out.println("中文".getBytes());//2
System.out.println("中文".getBytes("GB2312"));//3
System.out.println("中文".getBytes("ISO8859_1"));//4
System.out.println(new String("中文".getBytes()));//5
System.out.println(new String("中文".getBytes(),"GB2312"));//6
System.out.println(new String("中文".getBytes(),"ISO8859_1"));//7
System.out.println(new String("中文".getBytes("GB2312")));//8
System.out.println(new String("中文".getBytes("GB2312"),"GB2312"));//9
System.out.println(new
String("中文".getBytes("GB2312"),"ISO8859_1"));//10
System.out.println(new String("中文".getBytes("ISO8859_1")));//11
System.out.println(new
String("中文".getBytes("ISO8859_1"),"GB2312"));//12
System.out.println(new
String("中文".getBytes("ISO8859_1"),"ISO8859_1"));//13
}
catch(Exception e){
e.printStackTrace();
}
}
}
为了方便起见,在每个转换的后面加了操作序号,分别为1,2,...,13。
需要说明的是,JAVAC是以系统默认编码读入源文件,然后按UNICODE进行编码的。在JAVA运行的时候,JAVA也是采用UNICODE编码的,并且默认输入和输出的都是操作系统的默认编码,也就是说在new String(bytes[,encode])中,系统认为输入的是编码为encode的字节流,换句话说,如果按encode来翻译bytes才能得到正确的结果,这个结果最后要在JAVA中保存,它还是要从这个encode转换成Unicode,也就是说有bytes-->encode字符-->Unicode字符的转换;而在String.getBytes([encode])中,系统要做一个Unicode字符-->encode字符-->bytes的转换。
在这个例子中,除那个英文窗口编码的时候除外,其实情形下默认编码都是GBK(在本例中,我们暂且把GBK和GB2312等同看待)。
由于在未指明在上面的两个用代码实现的转换中,如果未指定encode,系统将采用默认的编码(这里为GBK),我们认为上面的5,6,7和8,9,10是一样的,8和9、11和12也是一样的,所以我们在讨论中将只讨论1,9,10,12,13。其中的2,3,4只是用于测试,不在我们的讨论范围之内。
下面我们来跟踪程序中的“中”字的转换历程,我们先说在中文窗口下作的编译和运行过程,注意在下面的字母下标中,我有意识地使用了一些数字,以表示相同,相异还是相关
我们先以上面的13个代码段中的的代码9为例:
01: C1 HelloWorld.java C1泛指一个GBK字符
02: U1 JAVAC读取 U1泛指一个Unicode字符
03: C1 getBytes()第一步 JAVA先和操作系统交流
04: B1,B2 getBytes()第二步 然后返回字节数组
05: C1 new String()第一步 JAVA先和操作系统交流
06: U1 new String()第二步 然后返回字符
07: C1 println(String) 能显示“中”字,内容和原来的相同
然后再以代码段10为例,我们注意到只是:
01: C1 HelloWorld.java C1泛指一个GBK字符
02: U1 JAVAC读取 U1泛指一个Unicode字符
03: C1 getBytes()第一步 JAVA先和操作系统交流
04: B1,B2 getBytes()第二步 然后返回字节数组
05: C3,C4 new String()第一步 JAVA先和操作系统交流,这时解析错误
06: U5,U6 new String()第二步 然后返回字符
07: C3,C4 println(String) 由于中字给分成了两半,在ISO8859_1中刚好也没有字符