Java中Unicode和编码的理解

我们经常会遇到编码问题。 Java 号称国际化的语言，是因为它的 class 文件采用 UTF-8 ，而 JVM 运行时使用 UTF-16 （至于为什么 JVM 中要采用 UTF-16 ，我没看过 相关的资料，但我猜可能是因为 JAVA里面一个字符 (char) 就是 16 位的 ，而UTF-16正是双字节编码），都是 unicode 的编码。 UTF-8采用一个或多个字节编码。

unicode 的目标就是能支持世界上所有的字符集，也就是说几乎所有的字符集包含的字符在 unicode 中都有对应的编码。在 unicode 中，字符与代码的映射关系，就是 unicode 字符集，称为 UCS(Unicode Character Set) ，每个 unicode 字符编码称为 code point （代码点？）。UTF-8 和 UTF-16 是不同的 UCS 编码方法， UTF 就是 UCS Transformation Format 。

在 Java 中， String 的 getBytes() 方法就是对特定的字符串 (unicode) 按照给定的字符集进行编码（encode，可以比喻成加密）， new String() 则可以按照某个字符集将字节流转换回 unicode（ decode，解密）。 Java 里面的每一个 String 都是 unicode 编码。

再来看Web页面，如果不做特殊处理， Form 表单的提交就按照页面的 ContentType 设置中的字符集进行编码转换，发送到后台，后台必须利用 req.setCharacterEncoding 来指定参数的编码格式 ( 不同的应用服务器应有不同的指定方式 ) ，才能正确解码。

Java 里面的 encode 和 decode 都是相对于 unicode 而言的， encode 的意思是将 char[] --> XXX Encoding byte[] ， decode 就是由 XXX Encoding byte[] --> char[] 。平常，当我们说 “ 将 GBK 编码转换为UTF-8 编码 ” 的时候，实际的意思就是： GBK Encoding byte[] --> UTF-8 Encoding byte[] ，这种转换只有在需要用 byte[] 传输数据的时候才有意义，否则便是毫无意义的。

首先要说明的一点是： Java 中的 String 对象就是一个 unicode 编码的字符串。

但是，我们通常会听到有人说： “ 我们需要将 String 由 ISO-8859-1 转换为 GBK 编码 ” ，这又是怎么回事呢？实际上，我们并不是 要 “ 将 一个由 ISO-8859-1 编码的 String 转换为 GBK 编码的 String” ，反复说明的是， JAVA 中的 String 都是 unicode 编码的，所以不存在 “ISO- 8859-1 编码的 String” 或 “GBK 编码的 String” 这样的说法。而需要转换的唯一的原因是 String 进行了错误的编码。我们经常会碰到由 ISO-8859- 1 转换为诸如 GBK/UTF-8 等等这样的需求。所谓的转换过程是： String --> byte[] -->String 。

也许 你非常清楚这个过程的代码： new String(text.getBytes("ISO-8859-1"),"GBK") 。但是，要真正理解起来并不是那么简单。表面上看似乎很容易理解， 不就是将 text String 对象按照 ISO-8859-1 的方式编码为byte[] 然后再把它按照 GBK 的方式转换为 String 吗？但是这句代码很容易会被误解为： “ 将 text String 由ISO-8859-1 转换为 GBK 编码” ，这种说法是错误的。难道你见过用这样的代码： new String(text.getBytes("GBK"),"UTF-8") 来对 String 进行编码转换的吗？

之所以你会经常看到 new String(text.getBytes("ISO-8859-1"),"GBK") 这句代码，是因为一个 GBK 的字节流被错误地以 ISO-8859- 1 的方式转换为 String （ unicode ）了！发生这种情况最普遍的地方是一个GBK 编码的网页向后台提交数据的时候，就有可能会看到这句代码的出 现。 GBK 的流被错误的当成ISO8859-1 的流，所以便得到了一个错误的 String 。由于 ISO8859-1 是单字节编码，所以每个字节被按照原样 转换为 String ，也就是说，虽然这是一个错误的转换，但编码没有改变，所以我们仍然有机会把编码转换回来！所以那句经典的 new String(text.getBytes("ISO-8859-1"),"GBK") 便出现了。

如果系统误以为是其它编码格式，就有可能再也转换不回来了，因为编码转换并不是负负得正那么简单的。