java编码与乱码汇总

问题引出

String的getBytes（charset）方法是解码还是编码啊？
我在网上获取了一串包含中文的字符串直接在eclipse上打印是乱码，经过转换
byte[] b2=s.getBytes("gbk");
String ss=new String(b2,"utf-8");
然后再打印就没问题了。
api上说getBytes的工作是解码，那样的话String ss=new String(b2,"utf-8");就是重新编码了？

public byte[] getBytes(String charsetName) 
使用指定的字符集将此String编码为byte序列，结果存在一个byte数组中
public String(byte[] bytes, String charsetName) 
通过使用指定的 charset 解码指定的 byte 数组，构造一个新的 String。
在网络传输中，信息都是以字节序列的方式传输的。所以，发送方的String要按照某种编码方式(如UTF-8,GBK)编码为字节序列，在网络中传输后，接收方取得这个字节序列，按照相同的编码方式将字节序列解码为String。
请看下面的代码片段：
String name = "张三";
byte[] b1 = name.getBytes("UTF-8");
String name1 = new String(b1, "UTF-8"); //编码解码相同，正常显示
System.out.println(name1);
String name2 = new String(b1, "GBK"); //编码解码不同，乱码
System.out.println(name2);

byte[] b2 = name.getBytes("GBK");
String name3 = new String(b2, "GBK"); //编码解码相同，正常显示
System.out.println(name3);
String name4 = new String(b2, "UTF-8"); //编码解码不同，乱码
System.out.println(name4);

至于你的那个情况，要先用gbk编码，然后再用utf-8解码才能获得正常的字符串，我估计是因为
1.传输过来的字节码是用utf-8编码的,假设字节码为b。
2.你获得的那个字符串，假设为s，是用gbk对b进行解码获得的字符串，所以是乱码。
本人感觉下边的说的更对一些：
从语言编码的角度，getBytes(charset)不是解码、也不是编码，是转换，将unidcode字节数组转换为gbk字节数组（java在内存中的变量unicode编码，可以通过getBytes获得其它编码的字节，各种编码在内存中以nuicode码进行转换）。

  
  

   
   Java字符编码根本原理
  
  
  
  

   
    
  
  
  
  

   
   Java开发中，常常会遇到乱码的问题，一旦遇到这种问题，常常就很扯蛋，每个人都不愿意承认是自己的代码有问题。其实编码问题并没有那么神秘，那么不可捉摸，搞清Java的编码本质过程就真相大白了。
  
  
  
  

   
   先看个图：
  
  
  
  

   
   
  
  
  
  

   
   其实，编码问题存在两个方面：JVM之内和JVM之外。
  
  
  
  

   
   1、Java文件编译后形成class
  
  
  
  

   
       这里Java文件的编码可能有多种多样，但Java编译器会自动将这些编码按照Java文件的编码格式正确读取后产生class文件，这里的class文件编码是Unicode编码。
  
  
  
  

   
   因此，在Java代码中定义一个字符串：
  
  
  
  

   
   String s="汉字";
  
  
  
  

   
   不管在编译前java文件使用何种编码，在编译后成class后，他们都是一样的----Unicode编码表示。
  
  
  
  

   
   2、JVM中的编码
  
  
  
  

   
       JVM加载class文件读取时候使用Unicode编码方式正确读取class文件，那么原来定义的String s="汉字";在内存中的表现形式是Unicode编码。
  
  
  
  

   
   当调用String.getBytes()的时候，其实已经为乱码买下了祸根。因为此方法使用
   
   平台默认的字符集
   
   来获取字符串对应的字节数组。在WindowsXP中文版中，使用的默认编码是GBK，不信运行下：
  
  
  
  

   
   

    
    

     
     public 
     
     class Test { 
     
     
        
     
     public 
     
     static 
     
     void main(String[] args) { 
     
     
                System.out.println(
     
     "当前JRE：" + System.getProperty(
     
     "java.version")); 
     
     
                System.out.println(
     
     "当前JVM的默认字符集：" + Charset.defaultCharset()); 
     
     
        } 
     
     
}
    
    
   
   
  
  
  
  

   
   

    
    

     
     当前JRE：1.6.0_16 
     
     
当前JVM的默认字符集：GBK
    
    
   
   
  
  
  
  

   
    
  
  
  
  

   
       当不同的系统、数据库经过多次编码后，如果对其中的原理不理解，就容易导致乱码。因此，在一个系统中，有必要对字符串的编码做一个统一，这个统一模糊点说，就是对外统一。比如方法字符串参数，IO流，在中文系统中，可以统一使用GBK、GB13080、UTF-8、UTF-16等等都可以，只是要选择有些更大字符集，以保证任何可能用到的字符都可以正常显示，避免乱码的问题。（假设对所有的文件都用ASCII码）那么就无法实现双向转换了。
  
  
  
  

   
       要特别注意的是，UTF-8并非能容纳了所有的中文字符集编码，因此，在特殊情况下，UTF-8转GB18030可能会出现乱码，然而一群傻B常常在做中文系统喜欢用UTF-8编码而不说不出个所以然出来！最傻B的是，一个系统多个人做，源代码文件有的人用GBK编码，有人用UTF-8，还有人用GB18030。FK，都是中国人，也不是外包项目，用什么UTF-8啊，神经！源代码统统都用GBK18030就OK了，免得ANT脚本编译时候提示不可认的字符编码。
  
  
  
  

   
   因此，对于中文系统来说，最好选择GBK或GB18030编码（其实GBK是GB18030的子集），以便最大限度的避免乱码现象。
  
  
  
  

   
   3、内存中字符串的编码
  
  
  
  

   
       内存中的字符串不仅仅局限于从class代码中直接加载而来的字符串，还有一些字符串是从文本文件中读取的，还有的是通过数据库读取的，还有可能是从字节数组构建的，
   
   然而他们基本上都不是Unicode编码的，原因很简单，存储优化。
  
  
  
  

   
       因此就需要处理各种各样的编码问题，在处理之前，
   
   必须明确“源”的编码，然后用指定的编码方式正确读取到内存中
   
   。如果是一个方法的参数，实际上必须明确该字符串参数的编码，因为这个参数可能是另外一个日文系统传递过来的。当明确了字符串编码时候，就可以按照要求正确处理字符串，以避免乱码。
  
  
  
  

   
   在对字符串进行解码编码的时候，应该调用下面的方法：
  
  
  
  

   
   

    
    

     
     getBytes(String charsetName)    
     
     
String(
     
     byte[] bytes, String charsetName)
    
    
   
   
  
  
                    
 			    GBK,UTF-8,和ISO8859-1之间的编码与解码
http://my.oschina.net/chape/blog/201725
  
  
.iso8859-1单字节编码
GB2312/GBK 表示汉字，是双字节编码，而英文字母和iso8859-1一致（兼容iso8859-1编码）。其中gbk编码能够用来同时表示繁体字和简体字，而gb2312只能表示简体字，gbk是兼容gb2312编码的。
 unicode ：这是最统一的编码，可以用来表示所有语言的字符，而且是定长双字节（也有四字节的）编码，包括英文字母在内。java内部采用unicode编码表示。

    
    

     
     utf：考虑到unicode编码不兼容iso8859-1编码，而且容易占用更多的空间：因为对于英文字母，unicode也需要两个字节来表示。所以unicode不便于传输和存储。因此而产生了utf编码，utf编码兼容iso8859-1编码，同时也可以用来表示所有语言的字符，不过，utf编码是不定长编码，每一个字符的长度从1-6个字节不等。另外，utf编码自带简单的校验功能。一般来讲，英文字母都是用一个字节表示，而汉字使用三个字节。