Java中文乱码浅析及解决方案

一、GBK和UTF-8编码方式

• 如果采用的是UTF-8的编码方式，那么1个英文字母 占 1个字节，1个中文占3个字节
• 如果采用GBK的编码方式，那么1个英文字母 占 1个字节，1个中文占2个字节

二、idea和eclipse的默认编码方式

其实idea和eclipse的默认编码方式是不一样的哦。
idea默认的编码方式是：UTF-8

eclipse默认采用的编码方式是GBK

三、解码和编码方法

1、java中编码的方法

• public byte[] getBytes() 使用默认的编码方式进行编码
• public byte[] getBytes(Charset charset) 使用指定方式进行编码

2、java中解码的方法

• public String(byte bytes[]) 使用默认的方式进行解码
• public String(byte bytes[], String charsetName) 使用指的方式进行解码

四、代码实现

以下代码demo均采用idea开发哦

编码

1、使用默认的编码方式进行编码
看下面这段代码，请猜一猜数组中的元素有几个？

package com.heima.demo;

import java.util.Arrays;

public class TestDemo {
    public static void main(String[] args) {
        String str = "dk你好";
        byte[] bytes = str.getBytes();
        System.out.println(Arrays.toString(bytes));
    }
}

你答对了吗？数组中一共有8个元素，因为idea默认采用的编码方式是utf-8，如果采用的是UTF-8的编码方式，那么1个英文字母 占 1个字节，1个中文占3个字节。我们看一下运行结果

[100, 107, -28, -67, -96, -27, -91, -67]

Process finished with exit code 0

如果使用指定的编码方式GBK进行编码呢？我们看一下代码

public class TestDemo {
    public static void main(String[] args) throws UnsupportedEncodingException {
        String str = "dk你好";
        byte[] bytes = str.getBytes("gbk");
        System.out.println(Arrays.toString(bytes));
    }
}

答案是：数组元素一共有6个，因为采用的是GBK编码方式，那么1个英文字母 占 1个字节，1个中文占2个字节。
我们看一下运行结果

[100, 107, -60, -29, -70, -61]

Process finished with exit code 0

解码

1、使用默认的方式进行解码

package com.heima.demo;

import java.io.UnsupportedEncodingException;

public class TestDemo {
    public static void main(String[] args) throws UnsupportedEncodingException {
        String str = "dk你好";
        byte[] byte1 = str.getBytes();
        String res1 = new String(byte1);
        System.out.println(res1);
    }
}

运行结果如下：

dk你好

Process finished with exit code 0

如果给他加上指定编码方式呢？

package com.heima.demo;

import java.io.UnsupportedEncodingException;

public class TestDemo {
    public static void main(String[] args) throws UnsupportedEncodingException {
        String str = "dk你好";
        byte[] byte1 = str.getBytes();
        String res1 = new String(byte1,"gbk");
        System.out.println(res1);
    }
}

运行结果

dk浣犲ソ

Process finished with exit code 0

我们发现有乱码产生。那为什么呢？因为编码的时候，采用的是默认的utf-8方式，所以解码的时候，也需要使用utf-8进行解码，如果使用gbk就会产生乱码。因为utf-8和gbk对中文所占的字节数是不一样的。

• 如果采用的是UTF-8的编码方式，那么1个英文字母 占 1个字节，1个中文占3个字节
• 如果采用GBK的编码方式，那么1个英文字母 占 1个字节，1个中文占2个字节

五、额外知识扩展

1、什么是字符集？
字符集顾名思义，就是用来装多个字符的集合。不同的字符集中字符的个数是不同的，包含的字符也是不同的，甚至对于字符的编码格式也是不同的。

2、什么是字符编码？
计算机中存储信息都是以二进制数表示的，而我们在电脑屏幕上看到的文字、数字、英文、标点符号等都是将二进制数转换过后的结果，按照某种规则，将计算机中的二进制数与某个抽象字符集合一一对应，这就是字符编码。

3、ASCII字符集
ASCII 全称 （American Standard Code for Information Interchange）美国信息交换标准代码，它是基于拉丁字母的一套电脑编码系统，其最初在创建的时候主要是为了显示英语以及一些西欧语言，是国际通用的信息交换使用标准码。ASCII使用了7位二进制来表示128个字符和符号，目前已经停止更新。

4、Unicode字符集
ASCII字符集只包含了128个字符，对于全世界的所有语言来说，并不能容纳下世界上所有的语言。所以Unicode字符集出现了。
Unicode又被称为统一码、万国码，是国际组织制定的用来容纳全世界字符的编码方案。是的，确切的说Unicode是一种编码方案，以实现跨语言、跨平台的文本处理、转换的要求。
但是Unicode只是一种字符与二进制数之间的一种逻辑映射编码，它并没有指定在计算集中应该如何的进行存储。所以此时就需要一种编码格式用来指定Unicode字符集中的字符是如何进行编码的。
在Unicode官方资料中，Unicode编码方式有三种：UTF-8、UTF-16、UTF-32，而其中UTF-8编码成为了现今互联网使用较多的编码方式。

5、GB2312
GB2312编码是第一个汉字编码国家标准，于1980年由中国国家标准总局发布。其中共收录了汉字6763个。但是由于我国的汉字非常多，GB2312收录的汉字不够用了，所以GBK诞生了。GBK包含了GB2312的所有内容的同时还新增了20000多新的汉字，对于一些日常需求已经为完全够用了。