Java与Unicode

Java与Unicode:
Java的class文件采用utf8的编码方式,JVM运行时采用utf16。Java的字符串是unicode编码的。总之,Java采用了unicode字符集,使之易于国际化。

Java支持哪些字符集:
即Java能识别哪些字符集并对它进行正确地处理?查看Charset 类,最新的JDK支持160种字符集。可以通过static方法availableCharsets拿到所有Java支持的字符集。

assertEquals(160, Charset.availableCharsets().size());  
Set<String> charsetNames = Charset.availableCharsets().keySet();   
assertTrue(charsetNames.contains("utf-8"));   
assertTrue(charsetNames.contains("utf-16"));   
assertTrue(charsetNames.contains("gb2312"));   
assertTrue(Charset.isSupported("utf-8"));

 

需要在哪些时候注意编码问题?

1.从外部资源读取数据:
这跟外部资源采取的编码方式有关,我们需要使用外部资源采用的字符集来读取外部数据:

InputStream is = new FileInputStream("res/input2.data");   
InputStreamReader streamReader = new InputStreamReader(is, "GB18030");

 

这里可以看到,我们采用了GB18030编码读取外部数据,通过查看streamReader的encoding可以印证:

assertEquals("GB18030", streamReader.getEncoding()); 

 

正是由于上面我们为外部资源指定了正确的编码,当它转成char数组时才能正确地进行解码(GB18030 -> unicode):

char[] chars = new char[is.available()];   
streamReader.read(chars, 0, is.available());

 

但我们经常写的代码就像下面这样:

InputStream is = new FileInputStream("res/input2.data");   
InputStreamReader streamReader = new InputStreamReader(is);

 

这时候InputStreamReader采用什么编码方式读取外部资源呢?Unicode?不是,这时候采用的编码方式是JVM的默认字符集,这个默认字符集在虚拟机启动时决定,通常根据语言环境和底层操作系统的 charset 来确定。可以通过以下方式得到JVM的默认字符集:

Charset.defaultCharset();  

 

为什么要这样?因为我们从外部资源读取数据,而外部资源的编码方式通常跟操作系统所使用的字符集一样,所以采用这种默认方式是可以理解的。
好吧,那么我通过我的IDE Ideas创建了一个文件,并以JVM默认的编码方式从这个文件读取数据,但读出来的数据竟然是乱码。为何?呵呵,其实是因为通过Ideas创建的文件是以utf-8编码的。要得到一个JVM默认编码的文件,通过手工创建一个txt文件试试吧。

2.字符串和字节数组的相互转换
我们通常通过以下代码把字符串转换成字节数组:

"string".getBytes();

 

但你是否注意过这个转换采用的编码呢?其实上面这句代码跟下面这句是等价的:

"string".getBytes(Charset.defaultCharset()); 

 

也就是说它根据JVM的默认编码(而不是你可能以为的unicode)把字符串转换成一个字节数组。
反之,如何从字节数组创建一个字符串呢?

new String("string".getBytes());

 

同样,这个方法使用平台的默认字符集解码字节的指定数组(这里的解码指从一种字符集到unicode)。

字符串编码迷思:

new String(input.getBytes("ISO-8859-1"), "GB18030")

 

上面这段代码代表什么?有人会说: “把input字符串从ISO-8859-1编码方式转换成GB18030编码方式”。如果这种说法正确,那么又如何解释我们刚提到的java字符串都采用unicode编码呢?
这种说法不仅是欠妥的,而且是大错特错的,让我们一一来分析,其实事实是这样的:我们本应该用GB18030的编码来读取数据并解码成字符串,但结果却采用了ISO-8859-1的编码,导致生成一个错误的字符串。要恢复,就要先把字符串恢复成原始字节数组,然后通过正确的编码GB18030再次解码成字符串(即把以GB18030编码的数据转成unicode的字符串)。注意,字符串永远都是unicode编码的。
但编码转换并不是负负得正那么简单,这里我们之所以可以正确地转换回来,是因为 ISO8859-1 是单字节编码,所以每个字节被按照原样 转换为 String ,也就是说,虽然这是一个错误的转换,但编码没有改变,所以我们仍然有机会把编码转换回来! 

总结:
所以,我们在处理java的编码问题时,要分清楚三个概念:Java采用的编码:unicode,JVM平台默认字符集和外部资源的编码。

 

程序示例:

public static void main(String args[])
	{
		System.out.println("default charset : "+Charset.defaultCharset());
		String str = "abc你好";//string with UTF-8 charset

		byte[] bytes = str.getBytes(Charset.forName("UTF-8"));//convert to byte array with UTF-8 encode
		for (byte b : bytes)
		{
			System.out.print(b + " ");
		}
		System.out.println();
		try
		{
			String str1 = new String(bytes, "UTF-8");//to UTF-8 string
			String str2 = new String(bytes, "ISO-8859-1");//to ISO-8859-1 string
			String str3 = new String(bytes, "GBK");//to GBK string

			System.out.println(str1);//abc你好
			System.out.println(str2);//abc??????
			System.out.println(str3);//abc浣犲ソ

			System.out.println();
			byte[] bytes2 = str2.getBytes(Charset.forName("ISO-8859-1"));
			for (byte b : bytes2)
			{
				System.out.print(b + " ");
			}
			System.out.println();
			String str22 = new String(bytes2, "UTF-8");
			System.out.println(str22);//abc你好
			
			System.out.println();
			byte[] bytes3 = str3.getBytes(Charset.forName("GBK"));
			for (byte b : bytes3)
			{
				System.out.print(b + " ");
			}
			System.out.println();
			String str33 = new String(bytes3, "UTF-8");
			System.out.println(str33);//abc你好
		} catch (UnsupportedEncodingException e)
		{
			e.printStackTrace();
		}
	}

 

运行结果:

default charset : GBK
97 98 99 -28 -67 -96 -27 -91 -67 
abc你好
abc??????
abc浣犲ソ

97 98 99 -28 -67 -96 -27 -91 -67 
abc你好

97 98 99 -28 -67 -96 -27 -91 -67 
abc你好

 

 

注:本篇博文转自http://yxhcquedu.blog.163.com/blog/static/58705477200910202584483/

你可能感兴趣的:(java,jvm,jdk,虚拟机,ide)