String.getBytes()的问题

转载 http://java.chinaitlab.com/base/797477.html
String 的getBytes()方法是得到一个字串的字节数组，这是众所周知的。但特别要注意的是，本方法将返回该操作系统默认的编码格式的字节数组。如果你在使用这个方法时不考虑到这一点，你会发现在一个平台上运行良好的系统，放到另外一台机器后会产生意想不到的问题。比如下面的程序，

　　1. class TestCharset

　　2. {

　　3.

　　4. public static void main(String[] args)

　　5. {

　　6. new TestCharset().execute();

　　7. }

　　8.

　　9. private void execute() {

　　10. String s = "Hello!你好！";

　　11.

　　12. byte[] bytes = s.getBytes();

　　13.

　　14. System.out.println("bytes lenght is:" + bytes.length);

　　15.

　　16.

　　17. }

　　18.

　　19. }

　　在一个中文WindowsXP系统下，运行时，结果为：

　　bytes lenght is:12

　　但是如果放到了一个英文的UNIX环境下运行：

　　$ java TestCharset

　　bytes lenght is:9

　　如果你的程序依赖于该结果，将在后续操作中引起问题。为什么在一个系统中结果为12，而在另外一个却变成了9了呢？上面已经提到了，该方法是和平台（编码）相关的。在中文操作系统中，getBytes方法返回的是一个GBK或者GB2312的中文编码的字节数组，其中中文字符，各占两个字节。而在英文平台中，一般的默认编码是“ISO-8859-1”，每个字符都只取一个字节（而不管是否非拉丁字符）。

　　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：

　　1. class TestCharset

　　2. {

　　3.

　　4. public static void main(String[] args)

　　5. {

　　6. char c = '你';

　　7. int i = c;

　　8. System.out.println(c);

　　9. System.out.println(i);

　　10. }

　　11.

　　12. }

　　不管你在任何平台上执行，都会有相同的输出：

　　----------------- output ------------------

　　你

　　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：

　　1. char c = 'u4F60';

　　2. ... ...

　　即使你知道了编码的编码格式，比如：

　　javac -encoding GBK TestCharset.java

　　编译后生成的.class文件中仍然是以Unicode格式存储中文字符或字符串的。

使用String.getBytes(String charset)方法

　　所以，为了避免这种问题，我建议大家都在编码中使用String.getBytes(String charset)方法。下面我们将从字串分别提取ISO-8859-1和GBK两种编码格式的字节数组，看看会有什么结果：

　　1. class TestCharset

　　2. {

　　3.

　　4. public static void main(String[] args)

　　5. {

　　6. new TestCharset().execute();

　　7. }

　　8.

　　9. private void execute() {

　　10. String s = "Hello!你好！";

　　11.

　　12. byte[] bytesISO8859 =null;

　　13. byte[] bytesGBK = null;

　　14.

　　15. try

　　16. {

　　17. bytesISO8859 = s.getBytes("iso-8859-1");

　　18. bytesGBK = s.getBytes("GBK");

　　19. }

　　20. catch (java.io.UnsupportedEncodingException e)

　　21. {

　　22. e.printStackTrace();

　　23. }

　　24.

　　25. System.out.println("-------------- 8859 bytes:");

　　26. System.out.println("bytes is: " + arrayToString(bytesISO8859));

　　27. System.out.println("hex format is:" + encodeHex(bytesISO8859));

　　28. System.out.println();

　　29.

　　30. System.out.println("-------------- GBK bytes:");

　　31. System.out.println("bytes is: " + arrayToString(bytesGBK));

　　32. System.out.println("hex format is:" + encodeHex(bytesGBK));

　　33.

　　34. }

　　35.

　　36. public static final String encodeHex (byte[] bytes) {

　　37. StringBuffer buff = new StringBuffer(bytes.length * 2);

　　38. String b;

　　39. for (int i=0; i<bytes.length ; i++)

　　40. {

　　41. b = Integer.toHexString(bytes[i]);

　　42. // byte是两个字节的，而上面的Integer.toHexString会把字节扩展为4个字节

　　43. buff.append(b.length() > 2 ? b.substring(6,8) : b);

　　44. buff.append(" ");

　　45. }

　　46. return buff.toString();

　　47. }

　　48.

　　49. public static final String arrayToString (byte[] bytes) {

　　50. StringBuffer buff = new StringBuffer();

　　51. for (int i=0; i<bytes.length ; i++)

　　52. {

　　53. buff.append(bytes[i] + " ");

　　54. }

　　55. return buff.toString();

　　56. }

　　57.

　　58. }

　　执行上面程序将打印出：

　　1. --------------

　　2. 8859 bytes:

　　3. bytes is: 72 101 108 108 111 33 63 63 63

　　4. hex format is:48 65 6c 6c 6f 21 3f 3f 3f

　　5.

　　6. --------------

　　7. GBK bytes:

　　8. bytes is: 72 101 108 108 111 33 -60 -29 -70 -61 -93 -95

　　9. 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。而提取的GBK编码的字节数组中正确得到了中文字符的GBK编码。字符 “你”“好”“！”的GBK编码分别是：“c4e3”“bac3”“a3a1”。得到了正确的以GBK编码的字节数组，以后需要还原为中文字串时，可以使用下面方法：

　　new String(byte[] bytes, String charset)