编码问题（不错）

[liuxuejin]

java String.getBytes()编码问题
jovi_gu 发表于 2006-12-7 18:00:00
0
推荐String.getBytes()的问题

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：


class TestCharset
{

public static void main(String[] args)
{
new TestCharset().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：


--------------
8859 bytes:
bytes is: 72 101 108 108 111 33 63 63 63
hex format is:48 65 6c 6c 6f 21 3f 3f 3f

--------------
GBK bytes:
bytes is: 72 101 108 108 111 33
-60 -29 -70 -61 -93 -95
hex format is:48 65 6c 6c 6f 21 c4 e3 ba c3 a3 a1


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：


new String(byte[] bytes, String charset)






　　 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

[Aishangwan]

厉害，顶起！！

[ethan119]

存入数据库前，每个汉字字符串都要一个byte数组，和一个String对象,系统还得给它加到字符串池，这开销...

[huhk]

好帖，支持下。