１、函數介紹
在Java中，字符串用統一的Unicode編碼，每個字符占用兩個字節，與編碼有關的兩個主要函數為：
１）將字符串用指定的編碼集合解析成字節數組，完成Unicode－〉charsetName轉換
public byte[] getBytes(String charsetName) throws UnsupportedEncodingException
?
２）將字節數組以指定的編碼集合構造成字符串，完成charsetName－〉Unicode轉換
public String(byte[] bytes, String charsetName) throws UnsupportedEncodingException
?
２、Unicode與各編碼之間的直接轉換
下面以對中文字符串＂ａ中文＂的編碼轉換為例，來了解各種編碼之間的轉換
１）Unicode和GBK
測試結果如下，每個漢字轉換為兩個字節，且是可逆的，即通過字節可以轉換回字符串
String－GBK〉ByteArray：\u0061\u4E2D\u6587（a中文）－〉0x61 0xD6 0xD0 0xCE 0xC4
ByteArray－GBK〉String：0x61 0xD6 0xD0 0xCE 0xC4－〉\u0061\u4E2D\u6587（a中文）
?
２）Unicode和UTF-8
測試結果如下，每個漢字轉換為三個字節，且是可逆的，即通過字節可以轉換回字符串
String－UTF-8〉ByteArray：\u0061\u4E2D\u6587（a中文）－〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87
ByteArray－UTF-8〉String：0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87－〉\u0061\u4E2D\u6587（a中文）
３）Unicode和ISO-8859-1
測試結果如下，當存在漢字時轉換失敗，非可逆，即通過字節不能再轉換回字符串
String－ISO-8859-1〉ByteArray：\u0061\u4E2D\u6587（a中文）－〉0x61 0x3F 0x3F
ByteArray－ISO-8859-1〉String：0x61 0x3F 0x3F－〉\u0061\u003F\u003F（a??）
３、Unicode與各編碼之間的交叉轉換
在上面直接轉換中，由字符串（Unicode）生成的字節數組，在構造回字符串時，使用的是正確的編碼集合，如果使用的不是正確的編碼集合會怎樣呢？會正確構造嗎？如果不能正確構造能有辦法恢復嗎？會信息丟失嗎？
?
下面我們就來看看這種情況，這部分可以說明在某些情況下雖然我們最終正確顯示了結果，但其間仍然進行了不正確的轉換。
?
１）能夠正確顯示的中間不正確轉換
我們知道String－GBK〉ByteArray－GBK〉String是正確的，但如果我們采用String－GBK〉ByteArray－ISO-8859-1〉String呢？通過測試結果如下：
String－GBK〉ByteArray－ISO-8859-1〉String：\u0061\u4E2D\u6587（a中文）－〉0x61 0xD6 0xD0 0xCE 0xC4－〉\u0061\u00D6\u00D0\u00CE\u00C4（a????）
?
這時我們得到的字符串為？亂碼“a????”，但是通過繼續轉換我們仍然可以復原回正確的字符串“a中文”，過程如下：
String－GBK〉ByteArray－ISO-8859-1〉String－ISO-8859-1〉ByteArray－GBK〉String
對應：\u0061\u4E2D\u6587（a中文）－〉0x61 0xD6 0xD0 0xCE 0xC4－〉\u0061\u00D6\u00D0\u00CE\u00C4（a????）－〉0x61 0xD6 0xD0 0xCE 0xC4－〉\u0061\u4E2D\u6587（a中文）
?
也就是我們在首次構造字符串時，我們用了錯誤的編碼集合得到了錯誤的亂碼，但是我們通過錯上加錯，再用錯誤的編碼集合獲取字節數組，然后再用正確的編碼集合構造，就又恢復了正確的字符串。這時就屬于是“能夠正確顯示的中間不正確轉換”。在Jsp頁面提交數據處理時常常發生這種情況。
?
此外能夠正確顯示的中間不正確轉換還有：
String－UTF-8〉ByteArray－ISO-8859-1〉String－ISO-8859-1〉ByteArray－UTF-8〉String
和
String－UTF-8〉ByteArray－GBK〉String－GBK〉ByteArray－UTF-8〉String
對應：\u0061\u4E2D\u6587（a中文）－〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87－〉\u0061\u6D93\uE15F\u6783（a涓枃）－〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87－〉\u0061\u4E2D\u6587（a中文）
?
４、編碼過程中錯誤診斷參考
１）一個漢字對應一個問號
在通過ISO-8859-1從字符串獲取字節數組時，由于一個Unicode轉換成一個byte，當遇到不認識的Unicode時，轉換為0x3F，這樣無論用哪種編碼構造時都會產生一個？亂碼。
２）一個漢字對應兩個問號
在通過GBK從字符串獲取字節數組時，由于一個Unicode轉換成兩個byte，如果此時用ISO-8859-1或用UTF-8構造字符串就會出現兩個問號。
若是通過ISO-8859-1構造可以再通過上面所說的錯上加錯恢復（即再通過從ISO-8859-1解析，用GBK構造）；
若是通過UTF-8構造則會產生Unicode字符＂\uFFFD＂，不能恢復，若再通過String－UTF-8〉ByteArray－GBK〉String，則會出現雜碼，如a錕斤拷錕斤拷
３）一個漢字對應三個問號
在通過UTF-8從字符串獲取字節數組時，由于一個Unicode轉換成三個byte，如果此時用ISO-8859-1構造字符串就會出現三個問號；用GBK構造字符串就會出現雜碼，如a涓枃。
posted on 2007-12-04 14:57
flyepp 閱讀(7520)
評論(0) 編輯 收藏