什么是“编码和编码格式”以及如何理解“java中字符串的编码”; 讲解很到位

链接：https://www.zhihu.com/question/20361462/answer/14899233

来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

首先明确几点：

1. unicode是一种“编码”，所谓编码就是一个编号(数字)到字符的一种映射关系，就仅仅是一种一对一的映射而已，可以理解成一个很大的对应表格
2. GBK、UTF-8是一种“编码格式”，是用来序列化或存储1中提到的那个“编号(数字)”的一种“格式”；GBK和UTF-8都是用来序列化或存储unicode编码的数据的，但是分别是2种不同的格式； 他们俩除了格式不一样之外，他们所关心的unicode编码范围也不一样，utf-8考虑了很多种不同国家的字符，涵盖整个unicode码表，所以其存储一个字符的编码的时候，使用的字节长度也从1字节到4字节不等；而GBK只考虑中文——在unicode中的一小部分——的字符，的编码，所以它算好了只要2个字节就能涵盖到绝大多数常用中文(2个字节能表示6w多种字符),所以它存储一个字符的时候，所用的字节长度是固定的；
3. 上述2个概念不懂的请马上google，下面不再赘述；我下面说说这个问题本身...的问题在哪里
4. 首先java的string使用的编码是unicode，但是，当string存在于内存中时(也就是当程序运行时、你在代码中用string类型的引用对它进行操作时、也就是string没有被存在文件中且也没有在网络中传输(序列化)时)，是“只有编码而没有编码格式的”，所以java程序中的任何String对象，说它是gbk还是utf-8都是错的，gbk和utf-8是编码格式而不是编码，String在内存中不需要“编码格式”(记住编码格式是在存文件或序列化的时候使用的), 它只是一个unicode的字符串而已
5. 所以java里面String是不带编码格式的，而String.toByteArray(charsetName)得到的byteArray是带编码格式的，格式就是你传入的'charsetName',我们不妨把toByteArray的这个过程叫做“编码”;另外，new String(byte[], charsetName)是把一个byte数组(带编码格式)以charsetName指定的编码格式翻译为一个不带编码格式的String对象，我们不妨把这个过程叫“解码”
6. 那么根据我揣测提问者的意图，可能有2种问法是他真正想问的：
7. 第一，如何把一个被错误地当作是gbk格式存储的utf-8格式的文件里面读出来的一段乱码字符串还原回去(也就是说本来二进制数据是utf-8的，你用gbk来解码它，得到的字符串是乱码，现在想要还原回去)
8. 第二种，如何把一个gbk文件转化为utf-8文件
9. 如果是第一种意图那就：

public static void main(String... args) throws Throwable {
String errStr = "errStr";
System.out.println(recover(errStr));
}

public static String recover(String str) throws Throwable {
return new String(str.getBytes("GBK"), "UTF-8");
}
其中errStr就是乱码字符串，按照相反的顺序在编码(用gbk)、解码(用utf-8)回去，就能得到正确的字符串(其实不保证所有情况均能正确还原，只能说大部分都能，要看你在乱码过程中是否有数据被丢失)

如果是第二种意图，那就用InputStream以gbk格式将文件读到内存里(表示为String)，再将这个String以UTF-8编码写入目标文件里，具体请参考InputStream/OutputStream的api