在做网页预处理的时候,遇到了网页的编码格式问题,系统默认以GBK解析文件,但遇到以Big5或utf-8编码的网页,则中文字符就变成了乱码。怎么办?听过有个名词叫编码国际化,似乎与该问题有关。
求教于同寝的C程序小牛人,一提起编码国际化,他就大摇其头,说用C来解决编码的问题那是相当的复杂。果然很复杂,一中午他也没弄出满意的结果。
于是,只好抱着我的Java自己想办法。用Java编程的一大好处,就是你可以省却很多细节处理上的麻烦,很多东西它都为你想到了。
其实用Java做编码的国际化非常方便,它本身就支持Unicode,更是提供了方便的接口进行编码互换,一个getBytes(),足以。代码如下:
......
try
{
byte[] temp_1=stringgbk.getBytes("GBK");
temp_2=new String(temp_1,"utf-8");
}
catch(Exception e)
{
e.printStackTrace();
}
......
Java内在机制是以Unicode传输字符的,假设在转化前字符串是按照GBK进行解码的,Java程序读入的是GBK解码后的字符,则getBytes是将读入字符串重新还原成字节流;而后,将字符流按照要求的编码进行重新解码,示例中是用utf-8重新解码,得temp_2。
这个方法,简单,并且也基本实现了 gbk、utf-8以及big-5之间的转换;但今天又遇到了新的问题,对于iso-8859-1编码的字符串,此方法失效,换句话说,我还没有弄明白,java到底支持什么样的编码格式进行转换,或者,也许对java这种编码转化方法的理解根本上就存在问题?