Java编码浅析（注意区分三个概念）

Java与Unicode：

 

Java的class文件采用utf8的编码方式，JVM运行时采用utf16。

 

Java的字符串是unicode编码的。

 

总之，Java采用了unicode字符集，使之易于国际化。

 

Java支持哪些字符集：

 

即Java能识别哪些字符集并对它进行正确地处理？

 

查看Charset 类，最新的JDK支持160种字符集。可以通过static方法availableCharsets拿到所有Java支持的字符集。

 

assertEquals(160, Charset.availableCharsets().size());

Set<String> charsetNames = Charset.availableCharsets().keySet();

assertTrue(charsetNames.contains("utf-8"));
assertTrue(charsetNames.contains("utf-16"));
assertTrue(charsetNames.contains("gb2312"));

assertTrue(Charset.isSupported("utf-8"));

 

需要在哪些时候注意编码问题？

 

1. 从外部资源读取数据：

 

这跟外部资源采取的编码方式有关，我们需要使用外部资源采用的字符集来读取外部数据：

 

InputStream is = new FileInputStream("res/input2.data");
InputStreamReader streamReader = new InputStreamReader(is, "GB18030");

 

这里可以看到，我们采用了GB18030编码读取外部数据，通过查看streamReader的encoding可以印证：

 

assertEquals("GB18030", streamReader.getEncoding());

 

正是由于上面我们为外部资源指定了正确的编码，当它转成char数组时才能正确地进行解码（GB18030 -> unicode）：

 

char[] chars = new char[is.available()];
streamReader.read(chars, 0, is.available());

 

但我们经常写的代码就像下面这样：

 

InputStream is = new FileInputStream("res/input2.data");
InputStreamReader streamReader = new InputStreamReader(is);

 

这时候InputStreamReader采用什么编码方式读取外部资源呢？Unicode？不是，这时候采用的编码方式是JVM的默认字符集，这个默认字符集在虚拟机启动时决定，通常根据语言环境和底层操作系统的 charset 来确定。可以通过以下方式得到JVM的默认字符集：

 

Charset.defaultCharset();

 

为什么要这样？因为我们从外部资源读取数据，而外部资源的编码方式通常跟操作系统所使用的字符集一样，所以采用这种默认方式是可以理解的。

 

好吧，那么我通过我的IDE Ideas创建了一个文件，并以JVM默认的编码方式从这个文件读取数据，但读出来的数据竟然是乱码。为何？呵呵，其实是因为通过Ideas创建的文件是以utf-8编码的。要得到一个JVM默认编码的文件，通过手工创建一个txt文件试试吧。

 

2. 字符串和字节数组的相互转换

 

我们通常通过以下代码把字符串转换成字节数组：

 

"string".getBytes();

 

但你是否注意过这个转换采用的编码呢？其实上面这句代码跟下面这句是等价的：

 

"string".getBytes(Charset.defaultCharset());

 

也就是说它根据JVM的默认编码（而不是你可能以为的unicode）把字符串转换成一个字节数组。

 

反之，如何从字节数组创建一个字符串呢？

 

new String("string".getBytes());

 

同样，这个方法使用平台的默认字符集解码字节的指定数组（这里的解码指从一种字符集到unicode）。

 

 

字符串编码迷思：

 

new String(input.getBytes("ISO-8859-1"), "GB18030")

 

上面这段代码代表什么？有人会说： “把input字符串从ISO-8859-1编码方式转换成GB18030编码方式”。如果这种说法正确，那么又如何解释我们刚提到的java字符串都采用unicode编码呢？

 

这种说法不仅是欠妥的，而且是大错特错的，让我们一一来分析，其实事实是这样的：我们本应该用GB18030的编码来读取数据并解码成字符串，但结果却采用了ISO-8859-1的编码，导致生成一个错误的字符串。要恢复，就要先把字符串恢复成原始字节数组，然后通过正确的编码GB18030再次解码成字符串（即把以GB18030编码的数据转成unicode的字符串）。注意，字符串永远都是unicode编码的。

 

但编码转换并不是负负得正那么简单，这里我们之所以可以正确地转换回来，是因为 ISO8859-1 是单字节编码，所以每个字节被按照原样 转换为 String ，也就是说，虽然这是一个错误的转换，但编码没有改变，所以我们仍然有机会把编码转换回来！

 

总结：

 

所以，我们在处理java的编码问题时，要分清楚三个概念：Java采用的编码：unicode，JVM平台默认字符集和外部资源的编码。

String都是unicode编码，以前一直没注意到这点。

unicode和utf8之间是什么关系？

unicode包含两个概念，一是字符集，而是编码方式。utf-8是unicode的其中一种编码方式。

Charset.defaultCharset()我这里返回GBK,是不是说明我这String是按GBK编码的??

说明你的JVM默认编码是GBK，也就是说你的底层环境是GBK编码。记住，String永远是unicode。

我猜想jvm环境编码是从配置文件里读的，可能Charset.defaultCharset()底层用的 ResourceBundle用Local.default()通过读取操作系统地区信息来判断用哪种编码。

关于你说的“JVM默认编码是GBK”和“String永远是unicode”我混淆了。。。String不随jvm编码么？

这个帖子非常好，刚好帮我解答编码问题

另外
"Java的class文件采用utf8的编码方式"
这句话我有些疑惑，我觉得class文件以哪种方式编码取决于编辑这个文件的编辑器，比如用EditPlus写完了代码，保存成utf-8格式就是utf-8，保存成gbk就是gbk，你的意思是不是jvm在读取String字符串的时候始终以utf-8方式读取，那么如果你将文件保存成其他各式，jvm就不认识了

String是unicode的，当它读取外部数据（比如JVM默认编码的数据）时，如果没有指定使用的解码方式，它会根据JVM默认编码来解码外部数据，即从JVM默认编码到unicode的转换。当然，你可以指定你想要的解码方式。

我说的class文件，而不是java文件。

其实你说的是java文件的编码，那么对于这种文件的编码，当然是我们可以选择的。比如现今流行的IDE肯定会帮你创建unicode编码的文件。

如果你使用了其它编码的java文件，也能读。我估计是编译器会去猜这个文件的编码，然后转换成unicode的。如果猜错了，那么你的java文件中的内容可能就出错了。