(转)Java中字符编码问题

String.length()

返回字符串的字符个数，一个中文算一个字符；

String.getBytes().length

返回字符串的字节长度，一个中文两个字节；

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)