java编码处理

java编码处理：（java在内存中使用的是uniocode编码）
一、编码基本知识：
1、iso8859-1   单字节编码  范围0-255 优点：和计算机最基础的表示单位一致
2、GBK/GB2312  双字节编码                  和iso8859-1兼容
3、unicode     双字节（也有四字节）        和iso8859-1不兼容，也不兼容任何编码
4、UTF         变长，一般英文字母用一个字节表示，汉字用三个字节表示   和iso8859-1兼容 最通用的编码

二、java处理
1、getBytes(charset)举例
程序：debug以下程序，可以发现注意字符串在java内存中总是按unicode编码存储的。比如"中文"，正常情况下（即没有错误的时候）存储为"4e2d 6587"，如果charset为"gbk"，

则被编码为"d6d0 cec4"，然后返回字节"d6 d0 ce c4"。如果charset为"utf8"则最后是"e4 b8 ad e6 96 87"。如果是"iso8859-1"，则由于无法编码，最后返回 "3f 3f"（注：

"3f 3f"是两个问号）。
public class JavaCharactorTest {
 public static void main(String[] args) throws UnsupportedEncodingException {
  String str = "中国";
  byte[] b = str.getBytes("gbk");
 }
}

2、new String(charset)
这个举例可以参考我附的问答。

3、其他
可参考文章
http://www.java-cn.com/club/?action-viewnews-itemid-2012
写的很全

 

 

附：

问：
new String(str.getBytes("ISO-8859-1"),"GBK")
如题，假设str=request.getParameter("name"); name传到servlet一个中文名字

我看到很多人在碰到乱码问题时，都提示要使用new String(str.getBytes("ISO-8859-1"),"GBK")；
原因是jsp页面编码设为GBK了
但我觉得就不对了：
首先，假设在jsp页面输入了一个name 小二，小二的gbk编码假设为oxaabb;现在name传到servlet,
在穿的过程中，如果用iso-8859-1传，那么该编码本身就不支持中文，将直接用两个?代替，
那么我再用new String(str.getBytes("ISO-8859-1"),"GBK")转又有什么用，还是两个?啊

请高手解析一把

答：

除了UTF-16，其它字符集定义时都重复。

比如汉字“我”，假设它的值是22530（只是假设，具体多少我没查）
而日文的“マ”的值也可能是22530(也是假设)或韩文的“찾”

在网络上传输是不能以高字节传输，因为网络底层最后只认无符号char,相当于java中的byte,所以
22530这个int要转换为字节数组，

byte[0] = (22530 >> 8)&0xFF;
byte[1] = 22530 &0xFF;
具体多少我没算，假设是byte[125，231]

这样的字节传到服务端到是表示汉字“我”还是日文的“マ”还是其它狗屁？
一般通讯协议中会告诉对字符集，比如HTTP在请求时告诉服务端：
ContentType="xxxxxxxxxx";charset="GKB";
这时服务端就知道现在接收到的［125，231］是GKB的“我”而不是其它文字。

上面是标准的通信过程。但如果有些水平很差的程序员在提交请求时没有通知服务端字符集，那服务端就没办法了。
只好按最常用的字符集来猜一个默认的。

这还不错，最要命的是写服务器的程序员水平和见识很差时，就要命了。就象写老版本的TOMCAT的程序员，他自己生在西方，以为全世界所有人都用的是26个字母加一些符号，所

以他不管客户端提交什么都按ISO-8859-1来算，结果可想而知。

没办法，谁让我们用GBK的人不会写tomcat呢，只好先把让那个差劲的程序员错误生成的String用ISO-8859-1还原成
［125，231］，再重新用GKB生成String.