【Java】问题——Unicode转换中文

子规入梧桐

已于 2024-01-05 11:29:14 修改

阅读量1.9k

点赞数 5

文章标签： java 开发语言 Unicode

于 2024-01-05 11:23:39 首次发布

本文链接：https://blog.csdn.net/weixin_34570718/article/details/135405198

版权

#Unicode #编码方式

一、字符串中包含‘‘&#x ’’

之前请求接口返回的 xml 格式如下：

<?xml version="1.0" encoding="UTF-8"?>
<soapenv:Envelope xmlns:soapenv="http://schemas.xmlsoap.org/soap/envelope/" xmlns:xsd="http://www.w3.org/2001/XMLSchema" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
<soapenv:Body>
<queryWorkOrderResponse xmlns="http://service.olt.lcbmi.lcims.asiainfo.com">
<queryWorkOrderReturn>
<?xml version="1.0" encoding="UTF-8"?><response><status><code>1002</code><msg>&#x8BF7;&#x6C42;&#x53C2;&#x6570;&#x683C;&#x5F0F;&#x9519;&#x8BEF;:&#x67E5;&#x8BE2;&#x5468;&#x671F;&#x5FC5;&#x987B;&#x8DDD;&#x79BB;&#x5F53;&#x524D;&#x65E5;&#x671F;180&#x5929;&#x5185;</msg></status></response>
</queryWorkOrderReturn>
</queryWorkOrderResponse>
</soapenv:Body><
/soapenv:Envelope>

其中，除了 > 、<、 "，转换成了对应的< > " 之外，出现了包含请这种 Html entities 格式的字符串。这种不算是正常编码，但可以转换成 Unicode 编码，进而转换成中文。

public static void main (String[] args) throws IOException, DocumentException {  
        // 定义正则表达式来搜索中文字符的转义符号  
        Pattern compile = Pattern.compile ("&#.*?;");  
        // 测试用中文字符  
	    String sourceString = "<?xml version=\"1.0\" encoding=\"UTF-8\"?><response><status><code>1002</code><msg>&#x8BF7 ;&#x6C42 ;&#x53C2 ;&#x6570 ;&#x683C;&#x5F0F;&#x9519;&#x8BEF;:&#x67E5;&#x8BE2;&#x5468;&#x671F;&#x5FC5;&#x987B;&#x8DDD;&#x79BB;&#x5F53;&#x524D;&#x65E5;&#x671F; 180&#x5929;&#x5185;</msg></status></response>\n";  
        Matcher matcher = compile.matcher (sourceString);  
        // 循环搜索并转换替换  
        while (matcher.find ()) {  
            String group = matcher.group ();  
            // 获得 16 进制的码  将 &#x8BF7; 去掉 &#x ; 然后加上 0 转换成 USC-2方式 0x8BF7，或者
            //0x 位数不够就补 0 
            String hexcode = "0" + group.replaceAll (" (&#|;)", "");  
            // 字符串形式的 16 进制码转成 int 并转成 char 并替换到源串中  
            // 通过Integer.decode(String code).intValue()方法获取 十进制数，然后转换成char类型就是中文
            sourceString = sourceString.replaceAll (group, (char) Integer.decode (hexcode). intValue () + "");  
        }  
        System.out.println (sourceString);  
}

二、字符串包含 “\u”

又有一次请求接口返回 xml 如下：

{"code": 200, "msg": "Successful!", 
 "REQUEST_NUM": ["1267554169", "1267554184"], 
 "COMPLAIN_CONTENT": ["\u63a5\u89e6\u6d41\u6c34\u53f7\uff1a2022022819322481212599492,\u7535\u8bdd\u53f7\u7801\uff1a13631365840,\u95ee\u9898\u5f00\u59cb\u65f6\u95f4\uff1a\u4e09\u5929\u9f50\u524d\u8be6\u7ec6\u5730\u5740\uff1a\u5e7f\u5dde\u5e02\u6d77\u73e0\u533a\u51e4\u9633\u8857\u9053\u9e6d\u6c5f\u897f\u88576\u53f7,\u4e0a\u7f51/\u901a\u8bdd\u95ee\u9898\uff1a\u4e00\u76f4\u4f7f\u7528\u4e0d\u4e86\u7f51\u7edc\u300d,----------,,", "\u5ba2\u6237\u53cd\u6620\u5728\u6700\u8fd1\u4e00\u5468\u5728\u5e7f\u5dde\u5e02\u9ec4\u57d4\u533a\u65b0\u5e84\u67ef\u56ed\u885715\u53f7\u4fe1\u53f7\u4e0d\u597d\uff0c\u5468\u56f4\u7684\u7528\u6237\u4e5f\u662f\u8fd9\u6837\u7684\u60c5\u51b5\uff0c\u5ba2\u6237 \u610f\u89c1\u975e\u5e38\u5927\uff0c\u8bf7\u4e0a\u7ea7\u90e8\u95e8\u5904\u7406"], 
 "called_number": ["none", "none"]}}

这个就是纯粹的 Unicode 转换成中文，直接参考如下代码：

public  String unicodeToCN(String str){  
    /**
    if(str == null)  
        return null;  
    if(str.indexOf("u") == -1){  
        return str;  
    }else{  
        str = str.replace("u", "\\\\u");  
    }
    */  
    Pattern pattern = Pattern.compile("\\\\u([0-9a-fA-F]{4})");  
    Matcher matcher = pattern.matcher(str);  
    StringBuffer result = new StringBuffer();  
    while (matcher.find()) {  
        String unicode = matcher.group(1);  
        //同样也是通过 Integer.parseInt(String str, radix) 方式把 十六进制 转化成 十进制
        int codePoint = Integer.parseInt(unicode, 16);  
        //转换成中文
        String chinese = new String(new char[] { (char) codePoint }); 
        //Unicode替换中文 
        matcher.appendReplacement(result, Matcher.quoteReplacement(chinese));  
    }  
    matcher.appendTail(result);  
    return result.toString();  
}

总之如果出现类似\u9898 或者&#x8BF7 ; 这种明显可以看出来后面四位是十六进制的，大概率可以转换成 Unicode 编码，然后转换成中文。
另外附上中文 Unicode 的编码范围：[\u4e00-\u9fa5]，即从“\u4e00”到“\u9fa5”,共计40869-19968=20901个汉字

Unicode编码，GBK，UTF-8问题可参考另一篇文章：【JAVA】知识——各类编码格式以及样例