再谈java乱码：GBK和UTF-8互转尾部乱码问题分析

Posted 2023-01-13 剑雪封喉r

一直以为，Java中任意unicode字符串，可以使用任意字符集转为byte[]再转回来，只要不抛出异常就不会丢失数据，事实证明这是错的。

经过这个实例，也明白了为什么 getBytes()需要捕获异常，虽然有时候它也没有捕获到异常。

言归正传，先看一个实例。

用ISO-8859-1中转UTF-8数据

设想一个场景：

用户A，有一个UTF-8编码的字节流，通过一个接口传递给用户B；

用户B并不知道是什么字符集，他用ISO-8859-1来接收，保存；

在一定的处理流程处理后，把这个字节流交给用户C或者交还给用户A，他们都知道这是UTF-8，他们解码得到的数据，不会丢失。

下面代码验证：

public static void main(String[] args) throws Exception 
  //这是一个unicode字符串，与字符集无关
  String str1 = "用户";

  System.out.println("unicode字符串："+str1);

  //将str转为UTF-8字节流
  byte[] byteArray1=str1.getBytes("UTF-8");//这个很安全，UTF-8不会造成数据丢失

  System.out.println(byteArray1.length);//打印6，没毛病

  //下面交给另外一个人，他不知道这是UTF-8字节流，因此他当做ISO-8859-1处理

  //将byteArray1当做一个普通的字节流，按照ISO-8859-1解码为一个unicode字符串
  String str2=new String(byteArray1,"ISO-8859-1");

  System.out.println("转成ISO-8859-1会乱码："+str2);

  //将ISO-8859-1编码的unicode字符串转回为byte[]
  byte[] byteArray2=str2.getBytes("ISO-8859-1");//不会丢失数据

  //将字节流重新交回给用户A

  //重新用UTF-8解码
  String str3=new String(byteArray2,"UTF-8");

  System.out.println("数据没有丢失："+str3);

 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

输出：

unicode字符串：用户
6
转成ISO-8859-1会乱码：用户
数据没有丢失：用户
 
1
2
3
4
 
1
2
3
4

用GBK中转UTF-8数据

重复前面的流程，将ISO-8859-1 用GBK替换。

只把中间一段改掉：

    //将byteArray1当做一个普通的字节流，按照GBK解码为一个unicode字符串
        String str2=new String(byteArray1,"GBK");

        System.out.println("转成GBK会乱码："+str2);

        //将GBK编码的unicode字符串转回为byte[]
        byte[] byteArray2=str2.getBytes("GBK");//数据会不会丢失呢？
 
1
2
3
4
5
6
7
 
1
2
3
4
5
6
7

运行结果：

unicode字符串：用户
6
转成GBK会乱码：鐢ㄦ埛
数据没有丢失：用户
 
1
2
3
4
 
1
2
3
4

好像没有问题，这就是一个误区。

修改原文字符串重新测试

将两个汉字 “用户” 修改为三个汉字 “用户名” 重新测试。

ISO-8859-1测试结果：

unicode字符串：用户名
9
转成GBK会乱码：用户名
数据没有丢失：用户名
 
1
2
3
4
 
1
2
3
4

GBK 测试结果：

unicode字符串：用户名
9
转成GBK会乱码：鐢ㄦ埛鍚�
数据没有丢失：用户�?
 
1
2
3
4
 
1
2
3
4

结论出来了

ISO-8859-1 可以作为中间编码，不会导致数据丢失；

GBK 如果汉字数量为偶数，不会丢失数据，如果汉字数量为奇数，必定会丢失数据。

why？

为什么奇数个汉字GBK会出错

直接对比两种字符集和奇偶字数的情形

重新封装一下前面的逻辑，写一段代码来分析：

public static void demo(String str) throws Exception 
  System.out.println("原文：" + str);

  byte[] utfByte = str.getBytes("UTF-8");
  System.out.print("utf Byte：");
  printHex(utfByte);
  String gbk = new String(utfByte, "GBK");//这里实际上把数据破坏了
  System.out.println("to GBK：" + gbk);

  byte[] gbkByte=gbk.getBytes("GBK");
  String utf = new String(gbkByte, "UTF-8");
  System.out.print("gbk Byte：");
  printHex(gbkByte);
  System.out.println("revert UTF8：" + utf);
  System.out.println("===");
//      如果gbk变成iso-8859-1就没问题


public static void printHex(byte[] byteArray) 
  StringBuffer sb = new StringBuffer();
  for (byte b : byteArray) 
    sb.append(Integer.toHexString((b >> 4) & 0xF));
    sb.append(Integer.toHexString(b & 0xF));
    sb.append(" ");
  
  System.out.println(sb.toString());
;

public static void main(String[] args) throws Exception 
  String str1 = "姓名";
  String str2 = "用户名";
  demo(str1,"UTF-8","ISO-8859-1");
  demo(str2,"UTF-8","ISO-8859-1");

  demo(str1,"UTF-8","GBK");
  demo(str2,"UTF-8","GBK");

 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

输出结果：

原文：姓名
UTF-8 Byte：e5 a7 93 e5 90 8d
to ISO-8859-1:姓名
ISO-8859-1 Byte：e5 a7 93 e5 90 8d
revert UTF-8：姓名
===
原文：用户名
UTF-8 Byte：e7 94 a8 e6 88 b7 e5 90 8d
to ISO-8859-1:用户名
ISO-8859-1 Byte：e7 94 a8 e6 88 b7 e5 90 8d
revert UTF-8：用户名
===
原文：姓名
UTF-8 Byte：e5 a7 93 e5 90 8d
to GBK:濮撳悕
GBK Byte：e5 a7 93 e5 90 8d
revert UTF-8：姓名
===
原文：用户名
UTF-8 Byte：e7 94 a8 e6 88 b7 e5 90 8d
to GBK:鐢ㄦ埛鍚�
GBK Byte：e7 94 a8 e6 88 b7 e5 90 3f
revert UTF-8：用户�?
===
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

为什么GBK会出错

前三段都没问题，最后一段，奇数个汉字的utf-8字节流转成GBK字符串，再转回来，前面一切正常，最后一个字节，变成了 “0x3f”，即”?”

我们使用”用户名” 三个字来分析，它的UTF-8 的字节流为：

[e7 94 a8] [e6 88 b7] [e5 90 8d]

我们按照三个字节一组分组，他被用户A当做一个整体交给用户B。

用户B由于不知道是什么字符集，他当做GBK处理，因为GBK是双字节编码，如下按照两两一组进行分组：

[e7 94] [a8 e6] [88 b7] [e5 90] [8d ？]

不够了，怎么办？它把 0x8d当做一个未知字符，用一个半角Ascii字符的 “？” 代替，变成了：

[e7 94] [a8 e6] [88 b7] [e5 90] 3f

数据被破坏了。

为什么 ISO-8859-1 没问题

因为 ISO-8859-1 是单字节编码，因此它的分组方案是：

[e7] [94] [a8] [e6] [88] [b7] [e5] [90] [8d]

因此中间不做任何操作，交回个用户A的时候，数据没有变化。

关于Unicode编码

因为UTF-16 区分大小端，严格讲：unicode==UTF16BE。

public static void main(String[] args) throws Exception 
  String str="测试";
  printHex(str.getBytes("UNICODE"));
  printHex(str.getBytes("UTF-16LE"));
  printHex(str.getBytes("UTF-16BE"));

 
1
2
3
4
5
6
 
1
2
3
4
5
6

运行结果：

fe ff 6d 4b 8b d5
4b 6d d5 8b
6d 4b 8b d5
 
1
2
3
 
1
2
3

其中 “fe ff” 为大端消息头，同理，小端消息头为 “ff fe”。

小结

作为中间转存方案，ISO-8859-1 是安全的。

UTF-8 字节流，用GBK字符集中转是不安全的；反过来也是同样的道理。

byte[] utfByte = str.getBytes("UTF-8");
String gbk = new String(utfByte, "GBK");
这是错误的用法，虽然在ISO-8859-1时并没报错。

首先，byte[] utfByte = str.getBytes("UTF-8");
执行完成之后，utfByte 已经很明确，这是utf-8格式的字节流；

然后，gbk = new String(utfByte, "GBK")，
对utf-8的字节流使用gbk解码，这是不合规矩的。

就好比一个美国人说一段英语，让一个不懂英文又不会学舌的日本人听，然后传递消息给另一个美国人。

为什么ISO-8859-1 没问题呢？

因为它只认识一个一个的字节，就相当于是一个录音机。我管你说的什么鬼话连篇，过去直接播放就可以了。
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

getBytes() 是会丢失数据的操作，而且不一定会抛异常。

unicode是安全的，因为他是java使用的标准类型，跨平台无差异。