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。