关于java字符的编码问题学习

最新推荐文章于 2024-08-01 12:28:32 发布

你佛

最新推荐文章于 2024-08-01 12:28:32 发布

阅读量1.1k

点赞数 1

分类专栏： java基础 javacore 文章标签： java 字符串 CharSet ByteBuffer 编码

本文链接：https://blog.csdn.net/jiubugeinifo/article/details/49333381

版权

java基础同时被 2 个专栏收录

2 篇文章 0 订阅

订阅专栏

javacore

2 篇文章 0 订阅

订阅专栏

关于java字符串相关的字符集和编码方式不再解释，可以参见该篇文章[Java与字符编码问题详谈](http://hxraid.iteye.com/blog/559607)，今天要说的是在java字符串转字节数组时的方式： String.getBytes()和Charset.encode(string)的区别；
问题： 
    String str = "我";
    byte[] ba1 = str.getBytes("UTF-16");
    printBytes(ba1);// 编码：0xfe 0xff 0x62 0x11； 前两个为BOM
    -------------华丽的分割线--------------------------------
    Charset cs = CharSet.forName("UTF-16"); 
    byte[] ba2 = cs.encode(str).array();
    printBytes(ba2);//编码：0xfe 0xff 0x62 0x11 0x00; 最后多个0x00
困扰我的问题来了，为什么会多了一个字节呢？   
先来看看源码：
一。String.getBytes()方法：
    public byte[] getBytes(String charsetName)
            throws UnsupportedEncodingException {
            if (charsetName == null) throw new NullPointerException();
           return StringCoding.encode(charsetName, value, 0, value.length);
    }
在这里是直接调用StringCoding类的encode()方法。
    static byte[] encode(String charsetName, char[] ca, int off, int len)
        throws UnsupportedEncodingException
    {
        StringEncoder se = deref(encoder);
        String csn = (charsetName == null) ? "ISO-8859-1" : charsetName;
        if ((se == null) || !(csn.equals(se.requestedCharsetName())
                              || csn.equals(se.charsetName()))) {
            se = null;
            try {
                Charset cs = lookupCharset(csn);
                if (cs != null)
                    se = new StringEncoder(cs, csn);
            } catch (IllegalCharsetNameException x) {}
            if (se == null)
                throw new UnsupportedEncodingException (csn);
            set(encoder, se);
        }
        return se.encode(ca, off, len);
    }
StringCoding类先获取当前项目平台的编码， 如果和要求的指定编码方式不同，则通过制定编码方式获取字符集CharSet,进而生成StringEncode类（StringCoding的私有成员类）， 而我们来看StringEncode类：
 private static class StringEncoder {
    private Charset cs;
    private CharsetEncoder ce;
    private final String requestedCharsetName;
    private final boolean isTrusted;
    ...........
     byte[] encode(char[] ca, int off, int len) {
        int en = scale(len, ce.maxBytesPerChar());
        byte[] ba = new byte[en];
        if (len == 0)
            return ba;
        if (ce instanceof ArrayEncoder) {
            int blen = ((ArrayEncoder)ce).encode(ca, off, len, ba);
            return safeTrim(ba, blen, cs, isTrusted);
        } else {
            ce.reset();
            ByteBuffer bb = ByteBuffer.wrap(ba);
            CharBuffer cb = CharBuffer.wrap(ca, off, len);
            try {
                CoderResult cr = ce.encode(cb, bb, true);
                if (!cr.isUnderflow())
                    cr.throwException();
                cr = ce.flush(bb);
                if (!cr.isUnderflow())
                    cr.throwException();
            } catch (CharacterCodingException x) {
                // Substitution is always enabled,
                // so this shouldn't happen
                throw new Error(x);
            }
            return safeTrim(ba, bb.position(), cs, isTrusted);
        }
可以看到StringEncode类的编码事实上也是调用了CharEncoder类来编码； 但注意的是StringCoding类的encode（）方法中最后的这个safeTrim(ba, bb.position(), cs, isTrusted)；这里会将ByteBuffer类中的值放到byte[]中，而这里的参数bb.position是将ByteBuffer中的有效的值放入了。 详情可参见[java.nio.ByteBuffer用法小结](http://blog.csdn.net/zhoujiaxq/article/details/22822289)；

二. CharSet.encode(string)
首先CharSet.encode(),实际上是先生成CharsetEncode类，如下

    public final ByteBuffer encode(CharBuffer cb) {
        try {
                return ThreadLocalCoders.encoderFor(this)
                .onMalformedInput(CodingErrorAction.REPLACE)
                .onUnmappableCharacter(CodingErrorAction.REPLACE)
                .encode(cb);
        } catch (CharacterCodingException x) {
            throw new Error(x);         // Can't happen
        }
    }

看这里如何编码，如下：

    public final ByteBuffer encode(CharBuffer in)
        throws CharacterCodingException
    {
    int n = (int)(in.remaining() * averageBytesPerChar());
    ByteBuffer out = ByteBuffer.allocate(n);
    if ((n == 0) && (in.remaining() == 0))
        return out;
    reset();
    for (;;) {
        CoderResult cr = in.hasRemaining() ?
            encode(in, out, true) : CoderResult.UNDERFLOW;
        if (cr.isUnderflow())
            cr = flush(out);
        if (cr.isUnderflow())
            break;
        if (cr.isOverflow()) {
            n = 2*n + 1;    // Ensure progress; n might be 0!
            ByteBuffer o = ByteBuffer.allocate(n);
            out.flip();
            o.put(out);
            out = o;
            continue;
        }
        cr.throwException();
    }
    out.flip();
    return out;
}

这两种方式的最终的编码其实都是调用了CharsetEncode类的方法：
CoderResult encode(CharBuffer in, ByteBuffer out,boolean endOfInput)；这里区别在于：
1>在调用方法前的参数上，同一字符串调用时，参数ByteBuffer的会不同。这取决于对传入的ByteBuffer的capacity属性的不同赋值，StringCoding的encode方法为：

int len = string.length;
byte[] encode(char[] ca, int off, int len) {
    int en = scale(len, ce.maxBytesPerChar()); 
    ...................

对ce(CharsetEncoder)的maxBytesPerChar;
而在CharSet类的encode方法中为：

CharBuffer in = CharBuffer.wrap(string);
int n = (int)(in.remaining() * averageBytesPerChar());
//注：string.length() = CharBuffer.wrap(string).remaining();
ByteBuffer out = ByteBuffer.allocate(n);
..............
for (;;) {
    CoderResult cr = in.hasRemaining() ?encode(in, out, true) : CoderResult.UNDERFLOW;                
    if (cr.isUnderflow())
        cr = flush(out);
    if (cr.isUnderflow())
        break;
    if (cr.isOverflow()) {   
        n = 2*n + 1;    // Ensure progress; n might be 0!
        //这里为了确保程序正常，当初始的ByteBuffer容量不足时，newCapacity = 2*oldCapacity+1;
        ByteBuffer o = ByteBuffer.allocate(n);
        out.flip();
        o.put(out);
        out = o;
        continue;
    }
        cr.throwException();
    }
 .....................

2>StringCoding对返回的结果ByteBuffer进行了处理。

    byte[] encode(char[] ca, int off, int len) {
        int en = scale(len, ce.maxBytesPerChar()); 
        if (len == 0)
            ................... 
        if (ce instanceof ArrayEncoder) {
            ...................
        } else {
            ce.reset();
            ByteBuffer bb = ByteBuffer.wrap(ba);
            CharBuffer cb = CharBuffer.wrap(ca, off, len);
            try {
                CoderResult cr = ce.encode(cb, bb, true);
                ...................
             } catch (CharacterCodingException x) {
                ................... 
             }  
         return safeTrim(ba, bb.position(), cs, isTrusted);

调用了safeTrim()方法，将ByteBuffer中的值复制到byte[]中。
而CharSet的encode方法直接就返回了ByteBuffer方法，而ByteBuffer中有的方法为array();如下：

    Charset cs = CharSet.forName("UTF-16"); 
    ByteBuffer bb = cs.encode(str);
    byte[] ba = bb.array();
    printBytes(ba2);//编码：0xfe 0xff 0x62 0x11 0x00; 最后多个0x00

而ByteBuffer.array()方法是将ByteBuffer容器的每个元素都转变为数组中的值，这其中编码时，ByteBuffer容器没有被填满->容器中的某些值为0(因为ByteBuffer.allocate(n)初始化时会默认赋值)；所有在字符编码时会，调用CharSet.encode()方法后，对返回的结果ByteBuffer直接调用.array()方法会造成编码后的字节数组多出一个字节。
正确的处理CharSet.encode()返回结果的方式应如下：

String str = "我们";
CharSet cs = CharSet.forName("UTF-16");//或'UTF-8'/'GBK'/'ASCII'等
ByteBuffer bb = cs.encode(str);
byte[] ba = new byte[bb.limit()];
for(int i = 0;;i++){
    if(bb.hasRemaining())
        ba[i] = bb.get();
    else{
        break;
    }   
}
printBytes(ba);  //结果0xFE  0xff  0x62  0x11  0x4E  0xEC