Java开发中,常常会遇到乱码的问题,一旦遇到这种问题,常常就很扯蛋,每个人都不愿意承认是自己的代码有问题。其实编码问题并没有那么神秘,那么不可捉摸,搞清Java的编码本质过程就真相大白了。 |
02 | |
03 | 其实,编码问题存在两个方面:JVM之内和JVM之外。 |
04 | |
05 | |
06 | 1 、Java文件编译后形成 class |
07 | 这里Java文件的编码可能有多种多样,但Java编译器会自动将这些编码按照Java文件的编码格式正确读取后产生 class 文件,这里的 class 文件编码是Unicode编码(具体说是UTF- 16 编码)。 |
08 | |
09 | 因此,在Java代码中定义一个字符串: |
10 | String s= "汉字" ; |
11 | 不管在编译前java文件使用何种编码,在编译后成 class 后,他们都是一样的----Unicode编码表示。 |
12 | |
13 | 2 、JVM中的编码 |
14 | JVM加载 class 文件读取时候使用Unicode编码方式正确读取 class 文件,那么原来定义的String s= "汉字" ;在内存中的表现形式是Unicode编码。 |
15 | |
16 | 当调用String.getBytes()的时候,其实已经为乱码买下了祸根。因为此方法使用平台默认的字符集来获取字符串对应的字节数组。在WindowsXP中文版中,使用的默认编码是GBK,不信运行下: |
17 | public class Test { |
18 | public static void main(String[] args) { |
19 | System.out.println( "当前JRE:" + System.getProperty( "java.version" )); |
20 | System.out.println( "当前JVM的默认字符集:" + Charset.defaultCharset()); |
21 | } |
22 | } |
23 | 当前JRE: 1.6 .0_16 |
24 | 当前JVM的默认字符集:GBK |
25 | 当不同的系统、数据库经过多次编码后,如果对其中的原理不理解,就容易导致乱码。因此,在一个系统中,有必要对字符串的编码做一个统一,这个统一模糊点说,就是对外统一。比如方法字符串参数,IO流,在中文系统中,可以统一使用GBK、GB13080、UTF- 8 、UTF- 16 等等都可以,只是要选择有些更大字符集,以保证任何可能用到的字符都可以正常显示,避免乱码的问题。(假设对所有的文件都用ASCII码)那么就无法实现双向转换了。 |
26 | |
27 | 要特别注意的是,UTF- 8 并非能容纳了所有的中文字符集编码,因此,在特殊情况下,UTF- 8 转GB18030可能会出现乱码,然而一群傻B常常在做中文系统喜欢用UTF- 8 编码而不说不出个所以然出来!最傻B的是,一个系统多个人做,源代码文件有的人用GBK编码,有人用UTF- 8 ,还有人用GB18030。FK,都是中国人,也不是外包项目,用什么UTF- 8 啊,神经!源代码统统都用GBK18030就OK了,免得ANT脚本编译时候提示不可认的字符编码。 |
28 | |
29 | 因此,对于中文系统来说,最好选择GBK或GB18030编码(其实GBK是GB18030的子集),以便最大限度的避免乱码现象。 |
30 | |
31 | 3 、内存中字符串的编码 |
32 | 内存中的字符串不仅仅局限于从 class 代码中直接加载而来的字符串,还有一些字符串是从文本文件中读取的,还有的是通过数据库读取的,还有可能是从字节数组构建的,然而他们基本上都不是Unicode编码的,原因很简单,存储优化。 |
33 | |
34 | 因此就需要处理各种各样的编码问题,在处理之前,必须明确“源”的编码,然后用指定的编码方式正确读取到内存中。如果是一个方法的参数,实际上必须明确该字符串参数的编码,因为这个参数可能是另外一个日文系统传递过来的。当明确了字符串编码时候,就可以按照要求正确处理字符串,以避免乱码。 |
35 | 在对字符串进行解码编码的时候,应该调用下面的方法: |
36 | getBytes(String charsetName) |
37 | String( byte [] bytes, String charsetName) |
38 | 而不要使用那些不带字符集名称的方法签名,通过上面两个方法,可以对内存中的字符进行重新编码。 |