以下为我自己的学习总结（部分是网络上资源），并不能确定百分之百正确，请读者自己多思考验证。我会及时更新笔记。如您发现错误，请帮忙指出，谢谢。
------------------------------------------------------------------------------------------------------------------------
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。
1. JAVAC是以系统默认编码读入源文件，然后按UNICODE进行编码的。可以通过指定编码方式改变Javac读入源文件的编码方式。
- javac -encoding GBK Test.java
2. 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。【巨重要】（我们在Java程序中new一个String，参数是字节数组，则过程是先将字节数组按系统默认编码字符集GBK转换成GBK格式的字节数组，再转成Unicode编码的字节数组，JVM中都是Unicode编码的字符串；而我们对一个String字符串用getBytes()方法获取其字节数组，是先把该字符串的Unicode编码的字节数组转换成系统默认的GBK编码的字节数组）【巨重要】
即：我们用String类的构造函数生成一个字符串，参数是字节数组，过程是：字节数组--->GBK字节数组--->Unicode字节数组
我们把一个String变量用getBytes( )方法得到字节数组，过程是：该字符串的Unicode字节数组--->GBK字节数组
--------------------------------------------------------------------------------------------------
上面这一段文字巨重要，以下是我的笔记：
我们在文本编辑器（如eclipse中）写的Java代码，我们可以指定这个源文件在硬盘上存储时的编码格式，比如GBK、UTF-8，然后当我们用javac命令编译该源文件的时候，默认用操作系统默认字符集编码读取，中文Windows下就是GBK(GB2312)，如果你保存源文件选择UTF-8保存，而读取时没有指定编码格式，系统会用GBK编码读取，就会出现乱码，报错。如果我们保存时用GBK保存、javac编译时又用GBK读取，就不会报错，然后该源文件被编译成class文件（当我打开这个class文件可以看到，class文件中较多的字符是都可以看懂的，另：比如我在源文件中定义了一个字符串”中文“，以GBK存储，当我将此源文件编译之后，生成的class文件中，”中文“二字竟然是按照UTF-8编码存放的，值是E4B8ADE69687,而”你“的UTF-8编码是E4BD）。
看上面的程序，我在源程序中定义了”中文“这个字符串，然后我在程序中输出每个字符的值，得到的是”中“这个字符的UNICODE编码是20013，”文”的UNICODE编码是25991，即：“在Java程序运行中，字符都是以Unicode存储的”这句话意思就是，我定义了“中文”这个字符串，在程序在JVM中运行的时候，这个字符串是以Unicode编码格式存储的。
虽然在源程序中我以UTF-8、GBK存储源文件了，虽然生成的class文件中“中文”是以UTF-8存储的，但在程序在JVM中运行的时候“中文”是以Unicode编码存储的。
还有一点：
如果我在上面的程序中对字符串变量s这样：s.getBytes("UTF-8");其实是把“中文”二字从Unicode编码转换成UTF-8编码的字节数组（说到这里是不是对这个函数理解的更透彻了，欧耶！），然后可以对字节数组再进行编码生成字符串！
还有一点：如下面这个十分简单的程序：
我们定义了一个字符串，然后用System.out.println输出这个字符串，这个过程中发生了什么？其实是这样的：“ab中文”字符串在JVM中是Unicode编码存储的，当我们输出的时候，System.out.println会将“ab中文”的Unicode编码转换成系统默认的GBK编码的字节数组送到输出流里，终端（即Java控制台吧）里会对输出的流里的字节按照终端的编码进行decode得到字符即我们能看懂的“ab中文”。【我说的对不】
---------------------------------------------------------------------------------------------------------
3. Java中的编码支持
Java是支持多国编码的，在Java中，字符都是以Unicode进行存储的，比如，“你”字的Unicode编码是“4f60”，我们可以通过下面的实验代码来验证：
- class TestCharset {
- public static void main(String[] args)
- {
- char c = '你';
- int i = c;
- System.out.println(c);
- System.out.println(i);
- }
- }
不管你在任何平台上执行，都会有相同的输出：20320，20320就是Unicode “4f60”的整数值。其实，你可以反编译上面的类，可以发现在生成的.class文件中字符“你”（或者其它任何中文字串）本身就是以Unicode编码进行存储的：char c = '\u4F60';【左边说的不正确，生成的class文件“你”是以UTF-8存储的，值为E4BD】
4. 为了避免这种问题，建议大家都在编码中使用String.getBytes(String charset)方法。
- class TestCharset {
- public static void main(String[] args) {
- new TestCharset().execute();
- }
- private void execute() {
- String s = "Hello!你好！";
- byte[] bytesISO8859 =null;
- byte[] bytesGBK = null;
- try
- {
- bytesISO8859 = s.getBytes("iso-8859-1"); 【"Hello!你好！"在内存中是Unicode编码的,即便用iso-8859-1编码,不也应该全部进行编码吗,为什么下面的输出的编码少了那么多？】 （解释：ISO-8859-1对每个字符使用一个字节编码,"Hello!你好！"共9个字符，在JVM中英文部分“Hello!"的Unicode编码可转换成ISO-8859-1编码，但汉字“你好！”无法转换成ISO-8859-1，用问号代替了！有一点：Unicode编码用两个字节表示任意字符，“中文！”的Unicode编码是4个字节，但是转换成ISO-8859-1的时候成了2个字节，唉，其实Unicode转ISO-8859-1或转UTF-8都是以两个字节为单位的，转ISO-8859-1两个字节转换成一个，转UTF-8两个字节转成3个字节）
- bytesGBK = s.getBytes("GBK");
- }
- catch
- (java.io.UnsupportedEncodingException e)
- {
- e.printStackTrace();
- }
- System.out.println
- ("--------------\n 8859 bytes:");
- System.out.println("bytes is: " + arrayToString(bytesISO8859));
- System.out.println("hex format is:" + encodeHex(bytesISO8859));
- System.out.println();
- System.out.println
- ("--------------\n GBK bytes:");
- System.out.println("bytes is:" + arrayToString(bytesGBK));
- System.out.println("hex format is:" + encodeHex(bytesGBK));
- }
- public static final String
- encodeHex (byte[] bytes)
- {
- StringBuffer buff =
- new StringBuffer(bytes.length * 2);
- String b;
- for (int i=0; i<bytes.length ; i++)
- {
- b = Integer.toHexString(bytes[i]);
- // byte是两个字节的,而上面的Integer.toHexString会把字节扩展为4个字节
- buff.append(b.length() > 2 ? b.substring(6,8) : b);
- buff.append(" ");
- }
- return buff.toString();
- }
- public static final String arrayToString(byte[] bytes) {
- StringBuffer buff = new StringBuffer();
- for (int i = 0; i < bytes.length; i++) {
- buff.append(bytes[i] + " "); 【byte数组中的默认都是ASCII码值吗？】
- }
- return buff.toString();
- }
- }
执行上面程序将打印出：
-------------- 8859 bytes: bytes is: 72 101 108 108 111 33 63 63 63【8859编码对最后三个中文无法识别,所以用三个问号表示,共用9个字节】 hex format is:48 65 6c 6c 6f 21 3f 3f 3f -------------- GBK bytes: bytes is: 72 101 108 108 111 33 -60 -29 -70 -61 -93 -95 即："Hello!你好！"(GBK编码后的字节值,共12个字节,GBK对6个英文只用一个字节编码,对3个中文用两个字节编码,所以共用12个字节) hex format is:48 65 6c 6c 6f 21 c4 e3 ba c3 a3 a1 |
可见，在s中提取的8859-1格式的字节数组长度为9，中文字符都变成了“63”，ASCII码为63的是“?”，一些国外的程序在国内中文环境下运行时，经常出现乱码，上面布满了“?”，就是因为编码没有进行正确处理的结果。
把JVM内存中unicode形式的String按encoding制定的编码，转成字节流 【将Unicode编码的数值转换成charset指定的编码的编码值】
使用给定的 charset 将此 String 编码到 byte 序列，并将结果存储到新的 byte 数组。
通过使用指定的 charset解码指定的 byte数组，构造一个新的 String。
1.JVM内部的String，Char都是用unicode存储(没有任何编码)，比如：
"分"的unicode=20998(十进制）String=[20998]，String中有1个char
"分享"的unicode=20998，20139 (十进制）String=[20998，20139]，String中有2个char
无论系统编码是什么，"分"这个字在JVM中都是20998
扫一扫
10万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
