【Java编程高级进阶】java 获取 string 字符串的编码详解

刚刚研究的一个问题“Java同样的汉字在服务器和本地的电脑上URLencode 出来的结果不一致”也涉及了字符串的编码格式。

最简单的方法就是：Charset.defaultCharset();

Servlet中可以使用：request.getCharacterEncoding();

也可以使用上文提到的，不过也不那么简单：

dfltEncName = (String)AccessController.doPrivileged(new GetPropertyAction("file.encoding")); 

也有一些其它方式可以参考，如下面这个就比较麻烦了！

public static String getEncoding(String str) {      
       String encode = "GB2312";      
      try {      
          if (str.equals(new String(str.getBytes(encode), encode))) {      //判断是不是GB2312
               String s = encode;      
              return s;      //是的话，返回“GB2312“，以下代码同理
           }      
       } catch (Exception exception) {      
       }      
       encode = "ISO-8859-1";      
      try {      
          if (str.equals(new String(str.getBytes(encode), encode))) {      //判断是不是ISO-8859-1
               String s1 = encode;      
              return s1;      
           }      
       } catch (Exception exception1) {      
       }      
       encode = "UTF-8";      
      try {      
          if (str.equals(new String(str.getBytes(encode), encode))) {   //判断是不是UTF-8
               String s2 = encode;      
              return s2;      
           }      
       } catch (Exception exception2) {      
       }      
       encode = "GBK";      
      try {      
          if (str.equals(new String(str.getBytes(encode), encode))) {      //判断是不是GBK
               String s3 = encode;      
              return s3;      
           }      
       } catch (Exception exception3) {      
       }      
      return "";        //如果都不是，说明输入的内容不属于常见的编码格式。

2017-02-10更新

纠正对”Charset.defaultCharset()“的错误理解，”Charset.defaultCharset()“方法的注释内容是返回此Java虚拟机的默认字符集。默认字符集在虚拟机启动期间确定，并且通常取决于底层操作系统的区域设置和字符集。而字符串的编码是受来源影响的！

但是如”Java同样的汉字在服务器和本地的电脑上URLencode 出来的结果不一致“中提到的，”Charset.defaultCharset()“实际上是返回的”file.encoding“，也就是文件采用的编码。

使用”System.getProperties()“ 可以得到如下几种编码相关的属性：

file.encoding.pkg=sun.io

sun.jnu.encoding=GBK

file.encoding=UTF-8

sun.io.unicode.encoding=UnicodeLittle

sun.cpu.endian=little

sun.jnu.encoding 猜测是系统的默认编码，参考：

关于 Java 的系统属性 sun.jnu.encoding 和 file.encoding 的区别
sun.jnu.encoding 影响文件名的创建，而 file.encoding 则影响到文件内容。
所以说，在我们使用 Java 处理中文文件的时候，如果发现文件的中文内容没有乱码，而文件的中文名发生乱码，我们就应当多考虑一下 sun.jnu.encoding 和 file.encoding 的区别了。

file.encoding 处理文件内容默认使用的编码；

使用Eclipse main 方法测试时，会自动根据文件内容的编码确定启动JVM使用的编码，如下图：

如果在这里配置了和文件编码不同的编码方式，文件中的字符串输出可能就会产生乱码，如下面的代码输出为：

ISO-8859-1
?????????? ?????18

	public static void main(String[] args) {
		Properties pro = System.getProperties();
		System.out.println(pro.getProperty("file.encoding"));
		
		try {
			String destination = new String("中文エキサイト네이버 중국어사전17");
			if(destination.equals(new String(destination.getBytes("GB2312"), "GB2312")))
			{
				System.out.println(destination);
			}
			
			destination = new String("中文エキサイト네이버 중국어사전18");
			if(destination.equals(new String(destination.getBytes("utf-8"), "utf-8")))
			{
				System.out.println(destination);
			}
		} catch (UnsupportedEncodingException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
	}

由于文件的编码是”UTF-8“，而调试配置的是：ISO-8859-1
上面的代码我们创建一个名为 ”CharsetTest3.java“的文件，在CMD下编译执行：

打开CMD，切换到文件所在目录：

D:\javaProject\javatrans\src\main\java\wasdev\sample\servlet>javac CharsetTest3.
java
CharsetTest3.java:17: 错误: 编码GBK的不可映射字符
                        String destination = new String("涓枃銈ㄣ偔銈点偆銉堧
劋鞚措矂 欷戧淡鞏挫偓鞝?17");

^
CharsetTest3.java:23: 错误: 编码GBK的不可映射字符
                        destination = new String("涓枃銈ㄣ偔銈点偆銉堧劋鞚措矂
 欷戧淡鞏挫偓鞝?18");
                                                                         ^
2 个错误

没有指定编码，与系统默认不符！

D:\javaProject\javatrans\src\main\java\wasdev\sample\servlet>javac CharsetTest3.
java -encoding utf-8

使用”-encoding utf-8“指定编码，执行成功。
注意：在CMD在测试的时候最好不要使用包名，不然很麻烦，我真想说恨死Java了（包的查找方式太恶心，或许是因为性能考虑所以写的这么死板）。

我的文件完整路径是：D:\javaProject\javatrans\src\main\java\wasdev\sample\servlet\CharsetTest3.java

可以通过” -Dfile.encoding=utf-8“指定编码方式

但是CMD应该是使用的GBK编码，不支持韩文，我们把韩文复制粘贴到CMD窗口中发现这一点：

只见光标后移了，却看不见内容。

sun.cpu.endian=little CPU的字节序为小结尾，这涉及到”主机字节序和网络字节序“的问题，通常主机字节序为小结尾（Little endian：将低序字节存储在起始地址），网络字节序为大结尾（Big endian：将高序字节存储在起始地址）。但不同的处理器（CPU）、操作系统也有可能不同。

优化后的方法：

	/**
	 * 判断字符串的编码
	 *
	 * @param str
	 * @return
	 */
	public static String getEncoding(String str) {
		String encode[] = new String[]{
				"UTF-8",
				"ISO-8859-1",
				"GB2312",
				"GBK",
				"GB18030",
				"Big5",
				"Unicode",
				"ASCII"
		};
		for (int i = 0; i < encode.length; i++){
			try {
				if (str.equals(new String(str.getBytes(encode[i]), encode[i]))) {
					return encode[i];
				}
			} catch (Exception ex) {
			}
		}
		
		return "";
	}

说明：把”UTF-8“放在第一位是因为现在使用的比较普遍，见下图：

显示Google记录的2001年至2012年网络上主要编码的使用情况。参考：https://en.wikipedia.org/wiki/UTF-8测试代码：

	public static void main(String[] args) {
		String str = "中文エキサイト";
		String encode = getEncoding(str);
		System.out.println(encode);
		
		str = "中文エキサイト네이버 중국어사전";
		encode = getEncoding(str);
		System.out.println(encode);
	}

执行输出为：UTF-8
UTF-8 注意：如果将数组”String encode[]“中”UTF-8“和”GB2312“的位置换一下，结果就会发生改变为：
GB2312
UTF-8
这是为什么？ 通过监视以下代码中的”destination.getBytes“，我们可以发现是存在重码区域的！

			destination = new String("中文エキサイト네이버 중국어사전17");
			if(destination.equals(new String(destination.getBytes("GB2312"), "GB2312")))
			{
				System.out.println(destination);
			}
			
			destination = new String("中文エキサイト네이버 중국어사전18");
			if(destination.equals(new String(destination.getBytes("utf-8"), "utf-8")))
			{
				System.out.println(destination);
			}

如下图：

所以”getEncoding“方法的正确性有是局限性的，一方面是数组中包含的编码的各类是否够全，一方面是需要判断的字符串特征是否明显。

======================文档信息===========================

版权声明：非商用自由转载-保持署名-注明出处

署名(BY) ：testcs_dn(微wx笑)

文章出处：[无知人生，记录点滴](http://blog.csdn.net/testcs_dn)