在java中,字符的数据类型是char. char类型的编码是Unicode编码,因此每一个char类型数据2字节16位,对应在内存中的数据就是字符的Unicode的码值
而String类型的底层是一个char数组,因此String类型在内存中的存储形式是一系列字符对应的Unicode码值
例如中文“长风几万里”
下表1是这5个中文字分别对应的GBK,Unicode,和UTF-8编码
表1:长风几厘米的码表
GBK Unicode UTF-8
B3A4 957F E995BF 长
B7E7 98CE E9A38E 风
BCB8 51E0 E587A0 几
CDF2 4E07 E4B887 万
C0EF 91CC E9878C 里
我们新建Main函数运行如下代码:其中java源文件的文件编码格式为UTF-8,jvm默认的字符集编码格式也为UTF-8
String str = “长风几万里”;
char[] cs = str.toCharArray();
System.out.println(Arrays.toString(Num2Hex.chars2HexStrings(cs)));
byte[] bUTF = str.getBytes(“UTF-8”);
System.out.println(Arrays.toString(Num2Hex.bytes2HexStrings(bUTF)));
byte[] bGBK = str.getBytes(“GBK”);
System.out.println(Arrays.toString(Num2Hex.bytes2HexStrings(bGBK)));
运行结果如下
[0x957F, 0x98CE, 0x51E0, 0x4E07, 0x91CC]
[0xE9, 0x95, 0xBF, 0xE9, 0xA3, 0x8E, 0xE5, 0x87, 0xA0, 0xE4, 0xB8, 0x87, 0xE9, 0x87, 0x8C]
[0xB3, 0xA4, 0xB7, 0xE7, 0xBC, 0xB8, 0xCD, 0xF2, 0xC0, 0xEF]
如果我们把源文件的编码格式改为GBK,运行结果不变
也就是说对于字符串str ,他在内存和.class文件中的编码都是Unicode编码,与源文件无关,String类型的getBytes()方法,会将字符从Unicode编码转成参数指定名称的字符集编码的码值(如果没有指明字符集编码,会按照jvm的字符集编码,如果没有指定jvm的字符集编码,会根据平台的字符集编码)然后返回这些码值对应的字节数组,由于UTF-8是3个字节表示一个汉字,所以返回的字节数组长度是15,而GBK编码是2个字节表示一个汉字,所以返回的字节数组长度是10.
java字符编码是Unicode,字符集编码我们最最常见的有GBK,UTF-8,java中的编码原理如下。
首先搞清楚字符数据源,例如“长风几万里”,如果字符数据源来自于String类型的常量,那么无论是在.class文件中还是在内存中都是Unicode编码,对应的计算机数据用16进制表示就是{0x957F, 0x98CE, 0x51E0, 0x4E07, 0x91CC},如果是外部数据源,如果这5个字储存在文件a.txt中,a.txt的文件编码假如是GBK的话,则文件a.txt存储的计算机数据实际是这5个字符对应的GBK的码值,用16进行表示就是[0xB3, 0xA4, 0xB7, 0xE7, 0xBC, 0xB8, 0xCD, 0xF2, 0xC0, 0xEF],如果是UTF-8的话那么a.txt的内容实际是[0xE9, 0x95, 0xBF, 0xE9, 0xA3, 0x8E, 0xE5, 0x87, 0xA0, 0xE4, 0xB8, 0x87, 0xE9, 0x87, 0x8C]。我们假设a.txt编码是GBK,我们用java读取a.txt的文件内容的字节保存在byte[]中,那么byte[]中的内容还是这5个字符对应的GBK的码值[0xB3, 0xA4, 0xB7, 0xE7, 0xBC, 0xB8, 0xCD, 0xF2, 0xC0, 0xEF],如果我们读取a.txt的文件内容保存在char[]或者String(String的底层就是char[],String中的value就是保存在char[]中)中,那么我们就必须指明a.txt的字符集编码,在字符集编码正确的情况下,由于java读取外部数据源先获得是数据源的字节流,因此java还会将字节流转为char[],就是要将[0xB3, 0xA4, 0xB7, 0xE7, 0xBC, 0xB8, 0xCD, 0xF2, 0xC0, 0xEF]转成[0x957F, 0x98CE, 0x51E0, 0x4E07, 0x91CC],再保存在char[]或String里,如果不能正确指明数据源的字符集编码那么就会转成乱码。