Java 关于中文乱码问题的解决方案与经验 (1)

王朝java/jsp·作者佚名  2008-05-31
窄屏简体版  字體: |||超大  

一、字节和unicode

Java内核是unicode的,就连class文件也是,但是很多媒体,包括文件/流的保存方式是使用字节流的。因此Java要对这些字节流经行转化。char是unicode的,而byte是字节。Java中byte/char互转的函数在sun.io的包中间有。其中ByteToCharConverter类是中调度,可以用来告诉你,你用的convertor。其中两个很常用的静态函数是:

public static ByteToCharConverter getDefault();

public static ByteToCharConverter getConverter(String encoding);

假如你不指定converter,则系统会自动使用当前的encoding,gb平台上用gbk,en平台上用8859_1。

byte ??〉char:

"你"的gb码是:0xc4e3 ,unicode是0x4f60

String encoding = "gb2312";

byte b[] = {(byte)′u00c4′,(byte)′u00e3′};

ByteToCharConverter converter = ByteToCharConverter.getConverter(encoding);

char c[] = converter.convertAll(b);

for (int i = 0; i < c.length; i++) {

System.out.println(Integer.toHexString(c[i]));

}

结果是什么?0x4f60

假如encoding ="8859_1",结果又是什么?0x00c4,0x00e3

假如代码改为:

byte b[] = {(byte)′u00c4′,(byte)′u00e3′};

ByteToCharConverter converter = ByteToCharConverter. getDefault();

char c[] = converter.convertAll(b);

for (int i = 0; i < c.length; i++) {

System.out.println(Integer.toHexString(c[i]));

}

结果将又是什么?

这就要根据平台的编码而定。

char ??〉byte:

String encoding = "gb2312";

char c[] = {′u4f60′};

CharToByteConverter converter = CharToByteConverter.getConverter(encoding);

byte b[] = converter.convertAll(c);

for (int i = 0; i < b.length; i++) {

System.out.println(Integer.toHexString(b[i]));

}

结果是什么?0x00c4,0x00e3

假如encoding ="8859_1",结果又是什么?0x3f

假如代码改为

String encoding = "gb2312";

char c[] = {′u4f60′};

CharToByteConverter converter = CharToByteConverter.getDefault();

byte b[] = converter.convertAll(c);

for (int i = 0; i < b.length; i++) {

System.out.println(Integer.toHexString(b[i]));

}

结果将又是什么?还是根据平台的编码而定。

很多中文问题就是从这两个最简单的类派生出来的。而却有很多类不直接支持把encoding输入,这给我们带来诸多不便。很多程序难得用encoding了,直接用default的encoding,这就给我们移植带来了很多困难。

二、utf-8

utf-8是和unicode一一对应的,其实现很简单:

7位的unicode: 0 _ _ _ _ _ _ _

11位的unicode: 1 1 0 _ _ _ _ _ 1 0 _ _ _ _ _ _

16位的unicode: 1 1 1 0 _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _

21位的unicode: 1 1 1 1 0 _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _

大多数情况是只使用到16位以下的unicode:

"你"的gb码是:0xc4e3 ,unicode是0x4f60

0xc4e3的二进制:

1100 ,0100 ,1110 ,0011

由于只有两位我们按照两位的编码来排,但是我们发现这行不通,因为第7位不是0因此,返回"?"

0x4f60的二进制:

0100 ,1111 ,0110 ,0000

我们用utf-8补齐,变成:

1110 ,0100 ,1011 ,1101 ,1010 ,0000

e4--bd-- a0

于是返回:0xe4,0xbd,0xa0。

三、string和byte[]

string其实核心是char[],然而要把byte转化成string,必须经过编码。string.length()其实就是char数组的长度,假如使用不同的编码,很可能会错分,造成散字和乱码。例如:

String encoding = “”;

byte [] b={(byte)′u00c4′,(byte)′u00e3′};

String str=new String(b,encoding);

假如encoding=8859_1,会有两个字,但是encoding=gb2312只有一个字这个问题在处理分页是经常发生。

四、Reader,Writer / InputStream,OutputStream

Reader和Writer核心是char,InputStream和OutputStream核心是byte。但是Reader和Writer的主要目的是要把char读/写InputStream/OutputStream。例如:

文件test.txt只有一个"你"字,0xc4,0xe3

String encoding = "gb2312";

InputStreamReader reader = new InputStreamReader(new FileInputStream(

"text.txt"), encoding);

char c[] = new char[10];

int length = reader.read(c);

for (int i = 0; i < length; i++) {

System.out.println(c[i]);

}

结果是什么?是"你"。假如encoding ="8859_1",结果是什么?"??"两个字符,表示不熟悉。反过来的例子自己做。

 
 
 
免责声明:本文为网络用户发布,其观点仅代表作者个人观点,与本站无关,本站仅提供信息存储服务。文中陈述内容未经本站证实,其真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。
 
 
© 2005- 王朝網路 版權所有 導航