乱码本质:读取二进制时采用的编码和最初将字符转成二进制时的编码不一致
编码时(得二进制数组时)不抛出异常,数据就不会被破坏
Java关于乱码(MessyCode)问题
Java使用的是Unicode编码
当定义字符串String str = "双引号里是字符串字面量";时,str在JVM中的编码是Unicode编码表示的
除了这种程序内部的数据之外,还常常从外部获取各种各样的数据让程序处理,比如文件、数据库,而这些数据的编码格式是多种多样的,可能是UTF-8、GBK,这样的一些数据在JVM中是以什么编码表示的?
字符集编码和编码格式是两个概念
字符集编码:是由某个组织制定的一张字符与编号的映射关系表,如:10001=="我",10002=="们",Unicode字符集就是这样的一张关系表。
UTF-8是一种实现了Unicode字符集中部分字符编码的编码格式,它存在的目的:为了保存或传输数据。
既然在字符集中已经有了映射关系了,为何还要再来编码?
因为:考虑到文件大小的问题、使用效率的问题、和其它字符集区分的问题
UTF-8编码是对Unicode字符集中哪部分编码?就是"字符编号",例如上面的10001、10002
对于UTF-8编码规则可网上查阅。
JVM中表示字符串"我们"使用的编码为"1000110002"这样的格式,即使用的是Unicode的编号。
当通过IO将一个以UTF-8编码的文本文件读入内存时,很可能会用到这样的代码:
new InputStreamReader(new FileInputStream(new File("文本文件路径")),"UTF-8");
这里指定的"UTF-8"即文件的编码格式,它的目的是告诉负责解码的对象要按"UTF-8"的编码
格式来解码成JVM使用的Unicode编码,若这里指定为"gbk"则得到乱码。
String str="文件内容",str此时已是Unicode编码
例:
String yuanlai="我是一个字符串";
String result=new String(yuanlai.getBytes("utf-8"),"gbk");
输出result则乱码
将Unicode编码的yuanlai按utf-8的编码格式进行编码,得到utf-8编码的字节数组,
将字节数组按GBK的编码格式来解码成Unicode编码的字符。
UTF-8和gbk不兼容,二者使用了不同的编码集,故乱码。
进行http请求时,我们需告诉对方我们发送的数据的编码格式是什么,
若对方按照我们告知的编码格式来解码,而我们却把错误的编码格式告诉了对方,则对方收到乱码。
"这是一个字符串".getBytes(),得到的字节数组是操作系统默认的编码格式
import java.io.UnsupportedEncodingException;
public class MessyCode {
public static void main(String[] args) throws UnsupportedEncodingException {
String original="这是一个字符串,是Unicode编码的。恭喜發財";
System.out.println("原有字符串:"+original);
//将Unicode编码按照gbk编码格式进行编码
byte[] GBK_bytes = original.getBytes("gbk");
/*
本来是gbk编码的字节数组,我们使用utf-8来解码,当然此时必然会是乱码
注:若第一次解码时使用这种错误的解码方式,则后面将无法再恢复,
下面的例子可以看到
*/
String UTF8_str=new String(GBK_bytes,"utf-8");
System.out.println("UTF-8解码后的字符串:"+UTF8_str);
/*
接下来我们把该字符串按照UTF-8的编码格式再编码回去,
但这时GBK_bytes和UTF8_bytes已经完全不同了,
*/
byte[] UTF8_bytes=UTF8_str.getBytes("utf-8");
/*
接着我们再来按照GBK的编码格式来解码
得到的自然是乱码
*/
String UTF2GBKstr=new String(UTF8_bytes,"gbk");
System.out.println("GBK解码UTF-8编码后的字符串:"+UTF2GBKstr);
/*
但是,若第一次解码时使用单字节的编码格式来解码,则后面是可以再恢复的
但前提要保证该单字节的编码会利用上所有的8位
也就是说可以表示256个字符的才行
单字节的编码格式有两种,ASCII和ISO-8859-?
ASCII使用了7位来表示字符,最高位永远为0,其可以表示的范围只有128个字符
ISO-8859-?(问号表示1,2,...,15,16(没有12),表示15个字符集)
使用8位来表示字符,总共可以表示256个字符
这两种单字节编码,ISO-8859-1最常用
*/
//转换为ASCII码的字符串
String ASCII_str=new String(GBK_bytes,"ASCII");
System.out.println("ASCII解码后的字符串:"+ASCII_str);
//再将ASCII转换为GBK
String GBK_str=new String(ASCII_str.getBytes("ASCII"),"gbk");
System.out.println("将ASCII编码按照gbk编码格式解码:"+GBK_str);
String ISO_str=new String(GBK_bytes,"ISO-8859-1");
System.out.println("ISO-8859-1解码后的字符串:"+ASCII_str);
//再将ASCII转换为gbk
String GBK_str1=new String(ISO_str.getBytes("ISO-8859-1"),"gbk");
System.out.println("将ISO-8859-1编码按照GBK编码格式解码:"+GBK_str1);
}
}
更优地克服困难
Java GUI组件上汉字乱码问题
比如按钮上文字乱码,解决办法:Button改成JButton,即awt换成swing
jsp中超链接传参乱码
jsp页面中,超链接传参乱码(问号后面的键值对的值为中文)
解决:D:\apache-tomcat-9.0.13\conf\server.xml中Connector节点(仅一个未注释的Connector节点)内加:
URIEncoding="GBK"(原来文件没有)。然而加这句话后会出现一个新问题:
当jsp页面A跳转到jsp页面B时,问号传参有中文,jsp页面B在加载jsp页面时使用js来获取问号后参数,参数会被转码,
解决:jsp页面A中:encodeURI(....jsp?键=中文值),encodeURI函数的返回值仍为一个URL,
jsp页面B的js的页面加载函数中:decodeURI(转了码的参数值),decodeURI函数返回中文参数值。