String.getBytes(String charset)中文转换乱码问题

 在Java中，String.getBytes(String decode)方法会根据指定的decode编码返回某字符串在该编码下的byte数组表示，如

byte[] b_gbk = "中".getBytes("GBK");
byte[] b_utf8 = "中".getBytes("UTF-8");
byte[] b_iso88591 = "中".getBytes("ISO8859-1");

byte[] b_unicode = "中".getBytes("unicode");

将分别返回“中”这个汉字在GBK、UTF-8和ISO8859-1编码下的byte数组表示，此时b_gbk的长度为2，b_utf8的长度为3，b_iso88591的长度为1,b_unicode 的长度为4（系统的的unicode采用的是big-endian就是前面是两个字节来表示这个的，unicode采用的都是两个字节编码，所以后面是4个字节 ）。

而与getBytes相对的，可以通过new String(byte[], decode)的方式来还原这个“中”字时，这个new String(byte[], decode)实际是使用decode指定的编码来将byte[]解析成字符串。

String s_gbk = new String(b_gbk,"GBK");
String s_utf8 = new String(b_utf8,"UTF-8");
String s_iso88591 = new String(b_iso88591,"ISO8859-1");

通过打印s_gbk、s_utf8和s_iso88591，会发现，s_gbk和s_utf8都是“中”，而只有s_iso88591是一个不认识的字符，为什么使用ISO8859-1编码再组合之后，无法还原“中”字呢，其实原因很简单，因为ISO8859-1编码的编码表中，根本就没有包含汉字字符，当然也就无法通过"中".getBytes("ISO8859-1");来得到正确的“中”字在ISO8859-1中的编码值了，所以再通过new String()来还原就无从谈起了。

因此，通过String.getBytes(String decode)方法来得到byte[]时，一定要确定decode的编码表中确实存在String表示的码值，这样得到的byte[]数组才能正确被还原。

有时候，为了让中文字符适应某些特殊要求（如http header头要求其内容必须为iso8859-1编码），可能会通过将中文字符按照字节方式来编码的情况，如

String s_iso88591 = new String("中".getBytes("UTF-8"),"ISO8859-1")，这样得到的s_iso8859-1字符串实际是三个在ISO8859-1中的字符，在将这些字符传递到目的地后，目的地程序再通过相反的方式String s_utf8 = new String(s_iso88591.getBytes("ISO8859-1"),"UTF-8")来得到正确的中文汉字“中”。这样就既保证了遵守协议规定、也支持中文。

 

 

 

 

 

 

String的getBytes()方法是得到一个字串的字节数组，这是众所周知的。但特别要注意的是，本方法将返回该操作系统默认的编码格式的字节数组。如果你在使用这个方法时不考虑到这一点，你会发现在一个平台上运行．

　　良好的系统，放到另外一台机器后会产生意想不到的问题。比如下面的程序，class TestCharset { public static void main(String[] args)  {  new TestCharset().execute(); } private void execute() {  String s = "Hello!你好！";    byte[] bytes = s.getBytes();  System.out.println("bytes lenght is:" + bytes.length); }}

　　在一个中文WindowsXP系统下，运行时，结果为：bytes lenght is:12
　　但是如果放到了一个英文的UNIX环境下运行：
　　$ java TestCharset
　　bytes lenght is:9

　　如果你的程序依赖于该结果，将在后续操作中引起问题。为什么在一个系统中结果为12，而在另外一个却变成了9了呢？上面已经提到了，该方法是和平台（编码）相关的。在中文操作系统中，getBytes方法返回的是一个GBK或者GB2312的中文编码的字节数组，其中中文字符，各占两个字节。而在英文平台中，一般的默认编码是“ISO-8859-1”，每个字符都只取一个字节（而不管是否非拉丁字符）。

　　Java中的编码支持

　　Java是支持多国编码的，在Java中，字符都是以Unicode进行存储的，比如，“你”字的Unicode编码是“4f60”，我们可以通过下面的实验代码来验证：

　　class TestCharset { public static void main(String[] args)  {  char c = ''你'';  int i = c;  System.out.println(c);  System.out.println(i); }}

　　不管你在任何平台上执行，都会有相同的输出：
　　----------------- output ------------------
　　你
　　20320

　　20320就是Unicode “4f60”的整数值。其实，你可以反编译上面的类，可以发现在生成的.class文件中字符“你”（或者其它任何中文字串）本身就是以Unicode编码进行存储的：

        char c = ''\u4F60'';        ... ...

　　即使你知道了编码的编码格式，比如：
　　javac -encoding GBK TestCharset.java
　　编译后生成的.class文件中仍然是以Unicode格式存储中文字符或字符串的。

　　使用String.getBytes(String charset)方法

　　所以，为了避免这种问题，我建议大家都在编码中使用String.getBytes(String charset)方法。下面我们将从字串分别提取ISO-8859-1和GBK两种编码格式的字节数组，看看会有什么结果：

　　class TestCharset { public static void main(String[] args)  {  new TestCharset().execute(); } private void execute() {  String s = "Hello!你好！";    byte[] bytesISO8859 =null;  byte[] bytesGBK = null;  try  {   bytesISO8859 = s.getBytes("iso-8859-1");   bytesGBK = s.getBytes("GBK");  }  catch (java.io.UnsupportedEncodingException e)  {   e.printStackTrace();  }  System.out.println("-------------- \n 8859 bytes:");  System.out.println("bytes is:     " + arrayToString(bytesISO8859));  System.out.println("hex format is:" + encodeHex(bytesISO8859));  System.out.println();  System.out.println("-------------- \n GBK bytes:");  System.out.println("bytes is:     " + arrayToString(bytesGBK));  System.out.println("hex format is:" + encodeHex(bytesGBK)); } public static final String encodeHex (byte[] bytes) {  StringBuffer buff = new StringBuffer(bytes.length * 2);  String b;  for (int i=0; i<bytes.length ; i++)  {   b = Integer.toHexString(bytes[i]);    // byte是两个字节的，而上面的Integer.toHexString会把字节扩展为4个字节   buff.append(b.length() > 2 ? b.substring(6,8) : b);    buff.append(" ");  }  return buff.toString(); } public static final String arrayToString (byte[] bytes) {  StringBuffer buff = new StringBuffer();  for (int i=0; i<bytes.length ; i++)  {   buff.append(bytes[i] + " ");  }  return buff.toString(); }}
执行上面程序将打印出：

　　-------------- 8859 bytes:bytes is:     72 101 108 108 111 33 63 63 63hex format is:48 65 6c 6c 6f 21 3f 3f 3f-------------- GBK bytes:bytes is:     72 101 108 108 111 33 -60 -29 -70 -61 -93 -95hex format is:48 65 6c 6c 6f 21 c4 e3 ba c3 a3 a1

　　可见，在s中提取的8859-1格式的字节数组长度为9，中文字符都变成了“63”，ASCII码为63的是“?”，一些国外的程序在国内中文环境下运行时， 经常出现乱码，上面布满了“?”，就是因为编码没有进行正确处理的结果。而提取的GBK编码的字节数组中正确得到了中文字符的GBK编码。字符“你”“好”“！”的GBK编码分别是：“c4e3”“bac3”“a3a1”。得到了正确的以GBK编码的字节数组，以后需要还原为中文字串时，可以使用下面方法：
　　
　　new String(byte[] bytes, String charset)