【GBK轉UTF-8】
在很多論壇、網上經常有網友問“ 為什么我使用 new String(tmp.getBytes("ISO-8859-1"), "UTF-8") 或者 new String(tmp.getBytes("ISO-8859-1"), "GBK")可以得到正確的中文，但是使用 new String(tmp.getBytes("GBK"), "UTF-8") 卻不能將GBK轉換成UTF-8呢？”
參考前面的【Java基礎專題】編碼與亂碼(03)----String的toCharArray()方法測試 一文，我們就知道原因了。因為如果客戶端使用GBK、UTF-8編碼，編碼后的字節經過ISO-8859-1傳輸，再用原來相同的編碼方式進行解碼，這個過程是“無損的轉換”---- 因為原始和最終的編碼方式相同。
但是如果客戶端使用GBK編碼，到了服務器端要轉換成UTF-8，或者相反的過程。想一想，字節還是那些字節，但是編碼的規則變了。原來GBK編碼后的4個字節要用UTF-8的每個字符3個字節的規則編碼，怎么能不亂碼呢？
所以從現在開始，不要再犯這種錯誤了。new String(tmp.getBytes("GBK"), "UTF-8") 這個過程，JVM內部是不會幫你自動對字節進行擴展以適應UTF-8的編碼的。正確的方法應該是根據UTF-8的編碼規則進行字節的擴充，即手動從2個字節變成3個字節，然后再轉換成十六進制的UTF-8編碼。
在這個專題的第一篇文章【Java基礎專題】編碼與亂碼(01)---編碼基礎 開頭，我們就已經介紹了這個規則：
①得到每個字符的2進制GBK編碼
②將該16進制的GBK編碼轉換成2進制的字符串(2個字節)
③分別在字符串的首位插入110，在第9位插入10，在第17位插入10三個字符串，得到3個字節
④將這3個字節分別轉換成16進制編碼，得到最終的UTF-8編碼。
下面給出一個從網絡上得到的Java轉碼方法，原文鏈接見：http://jspengxue.javaeye.com/blog/40781。下面的代碼做了小小的修改
package example.encoding;
/** *//**
* The Class CharacterEncodeConverter.
*/
public class CharacterEncodeConverter 
{
/** *//**
* The main method.
*
* @param args the arguments
*/
public static void main(String[] args) {
try {
CharacterEncodeConverter convert = new CharacterEncodeConverter();
byte[] fullByte = convert.gbk2utf8("中文");
String fullStr = new String(fullByte, "UTF-8");
System.out.println("string from GBK to UTF-8 byte: " + fullStr);
} catch (Exception e) {
e.printStackTrace();
}
}
/** *//**
* Gbk2utf8.
*
* @param chenese the chenese
*
* @return the byte[]
*/
public byte[] gbk2utf8(String chenese) {
// Step 1: 得到GBK編碼下的字符數組，一個中文字符對應這里的一個c[i]
char c[] = chenese.toCharArray();
// Step 2: UTF-8使用3個字節存放一個中文字符，所以長度必須為字符的3倍
byte[] fullByte = new byte[3 * c.length];
// Step 3: 循環將字符的GBK編碼轉換成UTF-8編碼
for (int i = 0; i < c.length; i++) {
// Step 3-1：將字符的ASCII編碼轉換成2進制值
int m = (int) c[i];
String word = Integer.toBinaryString(m);
System.out.println(word);
// Step 3-2：將2進制值補足16位(2個字節的長度)
StringBuffer sb = new StringBuffer();
int len = 16 - word.length();
for (int j = 0; j < len; j++) {
sb.append("0");
}
// Step 3-3：得到該字符最終的2進制GBK編碼
// 形似：1000 0010 0111 1010
sb.append(word);
// Step 3-4：最關鍵的步驟，根據UTF-8的漢字編碼規則，首字節
// 以1110開頭，次字節以10開頭，第3字節以10開頭。在原始的2進制
// 字符串中插入標志位。最終的長度從16--->16+3+2+2=24。
sb.insert(0, "1110");
sb.insert(8, "10");
sb.insert(16, "10");
System.out.println(sb.toString());
// Step 3-5：將新的字符串進行分段截取，截為3個字節
String s1 = sb.substring(0, 8);
String s2 = sb.substring(8, 16);
String s3 = sb.substring(16);
// Step 3-6：最后的步驟，把代表3個字節的字符串按2進制的方式
// 進行轉換，變成2進制的整數，再轉換成16進制值
byte b0 = Integer.valueOf(s1, 2).byteValue();
byte b1 = Integer.valueOf(s2, 2).byteValue();
byte b2 = Integer.valueOf(s3, 2).byteValue();
// Step 3-7：把轉換后的3個字節按順序存放到字節數組的對應位置
byte[] bf = new byte[3];
bf[0] = b0;
bf[1] = b1;
bf[2] = b2;
fullByte[i * 3] = bf[0];
fullByte[i * 3 + 1] = bf[1];
fullByte[i * 3 + 2] = bf[2];
// Step 3-8：返回繼續解析下一個中文字符
}
return fullByte;
}
}
最終的測試結果是正確的：string from GBK to UTF-8 byte: 中文。
但是這個方法并不是完美的！要知道這個規則只對中文起作用，如果傳入的字符串中包含有單字節字符，如a+3中文，那么解析的結果就變成：string from GBK to UTF-8 byte: ?????????中文了。為什么呢？道理很簡單，這個方法對原本在UTF-8中應該用單字節表示的數字、英文字符、符號都變成3個字節了，所以這里有9個?，代表被轉換后的a、+、3字符。
所以要讓這個方法更加完美，最好的方法就是加入對字符Unicode區間的判斷
| UCS-2編碼(16進制) |
UTF-8 字節流(二進制) |
| 0000 - 007F |
0xxxxxxx |
| 0080 - 07FF |
110xxxxx 10xxxxxx |
| 0800 - FFFF |
1110xxxx 10xxxxxx 10xxxxxx |
漢字的Unicode編碼范圍為\u4E00-\u9FA5 \uF900-\uFA2D,如果不在這個范圍內就不是漢字了。
【UTF-8轉GBK】
道理和上面的相同，只是一個逆轉的過程，不多說了
但是最終的建議還是：能夠統一編碼就統一編碼吧！要知道編碼的轉換是相當的耗時的工作
-------------------------------------------------------------
生活就像打牌，不是要抓一手好牌，而是要盡力打好一手爛牌。
posted on 2010-02-22 23:00
Paul Lin 閱讀(37030)
評論(11) 編輯 收藏 所屬分類:
J2SE