GBK转UTF-8

在这个专题的第一篇文章【Java基础专题】编码与乱码(01)---编码基础 开头，我们就已经介绍了这个规则：
①得到每个字符的2进制GBK编码
②将该16进制的GBK编码转换成2进制的字符串(2个字节)
③分别在字符串的首位插入110，在第9位插入10，在第17位插入10三个字符串，得到3个字节
④将这3个字节分别转换成16进制编码，得到最终的UTF-8编码。


下面给出一个从网络上得到的Java转码方法，原文链接见：http://jspengxue.javaeye.com/blog/40781。下面的代码做了小小的修改

package example.encoding;

/**
* The Class CharacterEncodeConverter.
*/
public class CharacterEncodeConverter {

/**
* The main method.
*
* @param args the arguments
*/
public static void main(String[] args) {

try {
CharacterEncodeConverter convert = new CharacterEncodeConverter();
byte[] fullByte = convert.gbk2utf8("中文");
String fullStr = new String(fullByte, "UTF-8");
System.out.println("string from GBK to UTF-8 byte: " + fullStr);

} catch (Exception e) {
e.printStackTrace();
}
}

/**
* Gbk2utf8.
*
* @param chenese the chenese
*
* @return the byte[]
*/
public byte[] gbk2utf8(String chenese) {

// Step 1: 得到GBK编码下的字符数组，一个中文字符对应这里的一个c[i]
char c[] = chenese.toCharArray();

// Step 2: UTF-8使用3个字节存放一个中文字符，所以长度必须为字符的3倍
byte[] fullByte = new byte[3 * c.length];

// Step 3: 循环将字符的GBK编码转换成UTF-8编码
for (int i = 0; i < c.length; i++) {

// Step 3-1：将字符的ASCII编码转换成2进制值
int m = (int) c[i];
String word = Integer.toBinaryString(m);
System.out.println(word);

// Step 3-2：将2进制值补足16位(2个字节的长度)
StringBuffer sb = new StringBuffer();
int len = 16 - word.length();
for (int j = 0; j < len; j++) {
sb.append("0");
}
// Step 3-3：得到该字符最终的2进制GBK编码
// 形似：1000 0010 0111 1010
sb.append(word);

// Step 3-4：最关键的步骤，根据UTF-8的汉字编码规则，首字节
// 以1110开头，次字节以10开头，第3字节以10开头。在原始的2进制
// 字符串中插入标志位。最终的长度从16--->16+3+2+2=24。
sb.insert(0, "1110");
sb.insert(8, "10");
sb.insert(16, "10");
System.out.println(sb.toString());

// Step 3-5：将新的字符串进行分段截取，截为3个字节
String s1 = sb.substring(0, 8);
String s2 = sb.substring(8, 16);
String s3 = sb.substring(16);

// Step 3-6：最后的步骤，把代表3个字节的字符串按2进制的方式
// 进行转换，变成2进制的整数，再转换成16进制值
byte b0 = Integer.valueOf(s1, 2).byteValue();
byte b1 = Integer.valueOf(s2, 2).byteValue();
byte b2 = Integer.valueOf(s3, 2).byteValue();

// Step 3-7：把转换后的3个字节按顺序存放到字节数组的对应位置
byte[] bf = new byte[3];
bf[0] = b0;
bf[1] = b1;
bf[2] = b2;

fullByte[i * 3] = bf[0];
fullByte[i * 3 + 1] = bf[1];
fullByte[i * 3 + 2] = bf[2];

// Step 3-8：返回继续解析下一个中文字符
}
return fullByte;
}
}

最终的测试结果是正确的：string from GBK to UTF-8 byte: 中文。

但是这个方法并不是完美的！要知道这个规则只对中文起作用，如果传入的字符串中包含有单字节字符，如a+3中文，那么解析的结果就变成：string from GBK to UTF-8 byte: ?????????中文了。为什么呢？道理很简单，这个方法对原本在UTF-8中应该用单字节表示的数字、英文字符、符号都变成3个字节了，所以这里有9个?，代表被转换后的a、+、3字符。

所以要让这个方法更加完美，最好的方法就是加入对字符Unicode区间的判断


UCS-2编码(16进制) UTF-8 字节流(二进制)
0000 - 007F 0xxxxxxx
0080 - 07FF 110xxxxx 10xxxxxx
0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx


汉字的Unicode编码范围为\u4E00-\u9FA5 \uF900-\uFA2D,如果不在这个范围内就不是汉字了。

【UTF-8转GBK】

道理和上面的相同，只是一个逆转的过程，不多说了

但是最终的建议还是：能够统一编码就统一编码吧！要知道编码的转换是相当的耗时的工作