JAVA字元編碼系列二：Unicode,ISO-8859,GBK,UTF-8編碼及相互轉換

第二篇：JAVA字元編碼系列二：Unicode,ISO-8859-1,GBK,UTF-8編碼及相互轉換  １、函數介紹在Java中，字串用統一的Unicode編碼，每個字元佔用兩個位元組，與編碼有關的兩個主要函數為：１）將字串用指定的編碼集合解析成位元組數組，完成Unicode－〉charsetName轉換public byte[] getBytes(String charsetName) throws UnsupportedEncodingException　  ２）將位元組數組以指定的編碼集合構造成字串，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串＂ａ中文＂的編碼轉換為例，來瞭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位元組，且是可逆的，即通過位元組可以轉換回字串String－GBK〉ByteArray：\u0061\u4E2D\u6587（a中文）－〉0x61 0xD6 0xD0 0xCE 0xC4ByteArray－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位元組，且是可逆的，即通過位元組可以轉換回字串String－UTF-8〉ByteArray：\u0061\u4E2D\u6587（a中文）－〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87ByteArray－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，即通過位元組不能再轉換回字串String－ISO-8859-1〉ByteArray：\u0061\u4E2D\u6587（a中文）－〉0x61 0x3F 0x3FByteArray－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，由字串（Unicode）產生的位元組數組，在構造回字串時，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複嗎？會資訊丟失嗎？ 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，但如果我們採用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????） 這時我們得到的字串為？亂碼“a????”，但是通過繼續轉換我們仍然可以複原回正確的字串“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擷取位元組數組，然後再用正確的編碼集合構造，就又恢複了正確的字串。這時就屬於是“能夠正確顯示的中間不正確轉換”。在Jsp頁面提交資料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從字串擷取位元組數組時，由於一個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從字串擷取位元組數組時，由於一個Unicode轉換成兩個byte，如果此時用ISO-8859-1或用UTF-8構造字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複（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字元＂\uFFFD＂，不能恢複，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從字串擷取位元組數組時，由於一個Unicode轉換成三個byte，如果此時用ISO-8859-1構造字串就會出現三個問號；用GBK構造字串就會出現雜碼，如a涓枃。