java String.getBytes()编码问题——String.getBytes(charset)
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了java String.getBytes()编码问题——String.getBytes(charset)相关的知识，希望对你有一定的参考价值。
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：
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：
package org.bruce.file.handle.experiment; class TestCharset3 { public static void main(String[] args) { new TestCharset3().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：
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：
mysql 不支持 unicode，所以比较麻烦。
将 connectionString 设置成 encoding 为 gb2312 String connectionString = "jdbc:mysql://localhost/test?useUnicode=true&characterEncoding=gb2312"; 测试代码： String str = "汉字"; PreparedStatement pStmt = conn.prepareStatement("INSERT INTO test VALUES (?)"); pStmt.setString(1,str); pStmt.executeUpdate(); 数据库表格： create table test ( name char(10) ) 连接 Oracle Database Server ------------------------------------------------------------------------------- 在把汉字字符串插入数据库前做如下转换操作： String(str.getBytes("ISO8859_1"),"gb2312") 测试代码： String str = "汉字"; PreparedStatement pStmt = conn.prepareStatement("INSERT INTO test VALUES (?)"); pStmt.setString(1,new String(str.getBytes("ISO8859_1"),"gb2312"); pStmt.executeUpdate(); Servlet ------------------------------------------------------------------------------- 在 Servlet 开头加上两句话： response.setContentType("text/html;charset=UTF-8"); request.setCharacterEncoding("UTF-8"); JSP -------------------------------------------------------------------------------
|
1 @Test 2 public void testBytes(){ 3 //字节数 4 //中文：ISO:1 GBK：2 UTF-8:3 5 //数字或字母： ISO:1 GBK:1 UTF-8:1 6 String username = "中"; 7 try { 8 //得到指定编码的字节数组 字符串--->字节数组 9 byte[] u_iso=username.getBytes("ISO8859-1"); 10 byte[] u_gbk=username.getBytes("GBK"); 11 byte[] u_utf8=username.getBytes("utf-8"); 12 System.out.println(u_iso.length); 13 System.out.println(u_gbk.length); 14 System.out.println(u_utf8.length); 15 //跟上面刚好是逆向的，字节数组---->字符串 16 String un_iso=new String(u_iso, "ISO8859-1"); 17 String un_gbk=new String(u_gbk, "GBK"); 18 String un_utf8=new String(u_utf8, "utf-8"); 19 System.out.println(un_iso); 20 System.out.println(un_gbk); 21 System.out.println(un_utf8); 22 //有时候必须是iso字符编码类型，那处理方式如下 23 String un_utf8_iso=new String(u_utf8, "ISO8859-1"); 24 //将iso编码的字符串进行还原 25 String un_iso_utf8=new String(un_utf8_iso.getBytes("ISO8859-1"),"UTF-8"); 26 System.out.println(un_iso_utf8); 27 28 } catch (UnsupportedEncodingException e) { 29 // TODO Auto-generated catch block 30 e.printStackTrace(); 31 } 32 }
测试结果：
1
2
3
?
中
中
ä¸
中
从转载的文章摘：
乱码原因：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.
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.
转自：http://blog.csdn.net/yang3wei/article/details/7381578 http://blog.csdn.net/techbirds_bao/article/details/8555449
以上是关于java String.getBytes()编码问题——String.getBytes(charset)的主要内容，如果未能解决你的问题，请参考以下文章
Java：String.getBytes(Charset) 与。 Charset.encode(String) 用于 OutputStream