字符串的编码格式:
String hex="\u5df2\u5b9e\u540d\u5236";// 十六进制
String dec = "全球通";//十进制
String s="已实名制";//字符串
相互转换的代码
1.十进制转unicode编码
public static String decToHex(String s){ String[] ds=s.split(";"); StringBuffer sbf=new StringBuffer(); for(int i=0;i<ds.length;i++){ if(ds[i].startsWith("&#")){ Integer tem=Integer.parseInt(ds[i].replace("&#", "")); sbf.append("\\u").append(Integer.toHexString(tem)); } } return sbf.toString(); }
2.unicode转char数组
/** * unicode 转字符数组 */ public static char[] unicode2Chars(String unicode) { StringBuffer string = new StringBuffer(); String[] hex = unicode.split("\\\\u"); char[] cs=new char[hex.length]; for (int i = 1; i < hex.length; i++) { // 转换出每一个代码点 int data = Integer.parseInt(hex[i], 16); cs[i]=(char) data; } return cs; }
3.汉字转unicode
/** * * @param 汉字 * @return unicode编码 */ public static String toUnicode(String s) { String as[] = new String[s.length()]; String s1 = ""; for (int i = 0; i < s.length(); i++) { as[i] = Integer.toHexString(s.charAt(i) & 0xffff); s1 = s1 + "\\u" + as[i]; } return s1; }
utf-8
utf-8格式的中文由三位字节组成。
UTF-8的编码规则很简单,只有二条:
1)对于单字节的符号,字节的第一位设为0,后面7位为这个符号的unicode码。因此对于英语字母,UTF-8编码和ASCII码是相同的。
2)对于n字节的符号(n>1),第一个字节的前n位都设为1,第n+1位设为0,后面字节的前两位一律设为10。剩下的没有提及的二进制位,全部为这个符号的unicode码。
下表总结了编码规则,字母x表示可用编码的位。
Unicode符号范围 | UTF-8编码方式
(十六进制) | (二进制)
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
1.中文转unicode
public static String toUnicode(String s) { String as[] = new String[s.length()]; String s1 = ""; for (int i = 0; i < s.length(); i++) { as[i] = Integer.toHexString(s.charAt(i) & 0xffff); s1 = s1 + "\\u" + as[i]; } return s1; }
2.中文转bytes
byte[] b=s.getBytes("utf-8");
3. unicode转utf-8
/* * unicode转到utf-8的转换过程。 * @param 要进行转换的汉字 * @return 16进制表示的汉字UTF-8编码字节序列 / */ public static String unicode2utf8(char input){ //1 Byte=8byte 16位取值范围00~ff //input 两个字节 16位取值范围为4E00~9FA5 int lowByte = input & 0x00ff; int highByte = (input & 0xff00) >>> 8; // UTF-8的第1个字节是1110 + highByte高4位 int high4inHighByte = (highByte& 0xf0) >>> 4; int utf8Byte1 = (7 << 5) + high4inHighByte; // UTF-8的第2个字节是10 + highByte低4位 + lowByte高2位 int low4inHighByte = highByte & 0x0f; int high2inLowByte = (lowByte& 0xc0) >>> 6; int utf8Byte2 = (1 << 7) + (low4inHighByte << 2) + high2inLowByte; // UTF-8的第3个字节是10 + lowByte低6位 int utf8Byte3 = (1 << 7) + (lowByte & 0x3f); String result = Integer.toHexString(utf8Byte1) + "," + Integer.toHexString(utf8Byte2) + "," + Integer.toHexString(utf8Byte3); return result; }
gbk
GBK编码,是对GB2312编码的扩展,因此完全兼容GB2312-80标准。GBK编码依然采用双字节编码方案,其编码范围:8140-FEFE,剔除xx7F码位,共23940个码位。共收录汉字和图形符号21886个,其中汉字(包括部首和构件)21003个,图形符号883个。GBK编码支持国际标准ISO/IEC10646-1和国家标准GB13000-1中的全部中日韩汉字,并包含了BIG5编码中的所有汉字。GBK编码方案于1995年12月15日正式发布,这一版的GBK规范为1.0版。
GBK 亦采用双字节表示,总体编码范围为 8140-FEFE,首字节在 81-FE 之间,尾字节在 40-FE 之间,剔除 xx7F 一条线。总计 23940 个码位,共收入 21886 个汉字和图形符号,其中汉字(包括部首和构件)21003 个,图形符号 883 个。
全部编码分为三大部分:
1. 汉字区。包括:
a. GB 2312 汉字区。即 GBK/2: B0A1-F7FE。收录 GB 2312 汉字 6763 个,按原顺序排列。
b. GB 13000.1 扩充汉字区。包括:
(1) GBK/3: 8140-A0FE。收录 GB 13000.1 中的 CJK 汉字 6080 个。
(2) GBK/4: AA40-FEA0。收录 CJK 汉字和增补的汉字 8160 个。CJK 汉字在前,按 UCS 代码大小排列;增补的汉字(包括部首和构件)在后,按《康熙字典》的页码/字位排列。
(3) 汉字“〇”安排在图形符号区GBK/5:A996。
2. 图形符号区。包括:
a. GB 2312 非汉字符号区。即 GBK/1: A1A1-A9FE。其中除 GB 2312 的符号外,还有 10 个小写罗马数字和 GB 12345 增补的符号。计符号 717 个。
b. GB 13000.1 扩充非汉字区。即 GBK/5: A840-A9A0。BIG-5 非汉字符号、结构符和“〇”排列在此区。计符号 166 个。
3. 用户自定义区:分为(1)(2)(3)三个小区。
(1) AAA1-AFFE,码位 564 个。
(2) F8A1-FEFE,码位 658 个。
(3) A140-A7A0,码位 672 个。
第(3)区尽管对用户开放,但限制使用,因为不排除未来在此区域增补新字符的可能性。
举例:
String s="中文"; byte[] b=s.getBytes("gbk");
bytes为
[-42, -48, -50, -60]
补码为:
【214,208,206,196】
转换为十六进展为
【D6,D0,CE,C4】
按照gbk表去查询汉字
编码完全匹配。