字符串和编码格式

关键字: java 面试题 字符串 string
作者：臧圩人（zangweiren）
网址：http://zangweiren.iteye.com


上一次我们已经一起回顾了面试题中常考的到底创建了几个String对象的相关知识，这一次我们以几个常见面试题为引子，来回顾一下String对象相关的其它一些方面。

String的length()方法和数组的length属性

String类有length()方法吗？数组有length()方法吗？

String类当然有length()方法了，看看String类的源码就知道了，这是这个方法的定义：
Java代码
public int length() {  
    return count;  
} 

public int length() {
    return count;
}

String的长度实际上就是它的属性--char型数组value的长度。数组是没有length()方法的，大家知道，在JAVA中，数组也被作为对象来处理，它的方法都继承自Object类。数组有一个属性length，这也是它唯一的属性，对于所有类型的数组都是这样。

中文汉字在char中的保存

一个中文汉字能保存在一个char类型里吗？

请看下面的例子：
Java代码
public class ChineseTest {  
    public static void main(String[] args) {  
        // 将一个中文汉字赋值给一个char变量  
        char a = '中';  
        char b = '文';  
        char c = '测';  
        char d = '试';  
        char e = '成';  
        char f = '功';  
        System.out.print(a);  
        System.out.print(b);  
        System.out.print(c);  
        System.out.print(d);  
        System.out.print(e);  
        System.out.print(f);  
    }  
} 

public class ChineseTest {
public static void main(String[] args) {
// 将一个中文汉字赋值给一个char变量
char a = '中';
char b = '文';
char c = '测';
char d = '试';
char e = '成';
char f = '功';
System.out.print(a);
System.out.print(b);
System.out.print(c);
System.out.print(d);
System.out.print(e);
System.out.print(f);
}
}

编译没有报错，运行结果：

中文测试成功

答案就不用说了。为什么一个中文汉字可以保存在一个char变量里呢？因为在JAVA中，一个char是2个字节（byte），而一个中文汉字是一个字符，也是2个字节。而英文字母都是一个字节的，因此它也能保存到一个byte里，一个中文汉字却不能。请看：
Java代码
public class ChineseTest {  
    public static void main(String[] args) {  
        // 将一个英文字母赋值给一个byte变量  
        byte a = 'a';  
        // 将一个中文汉字赋值给一个byte变量时，编译会报错  
        // byte b = '中';  
 
        System.out.println("byte a = " + a);  
        // System.out.println("byte b = "+b);  
    }  
} 

public class ChineseTest {
public static void main(String[] args) {
// 将一个英文字母赋值给一个byte变量
byte a = 'a';
// 将一个中文汉字赋值给一个byte变量时，编译会报错
// byte b = '中';

System.out.println("byte a = " + a);
// System.out.println("byte b = "+b);
}
}

运行结果：

byte a = 97

正如大家所看到的那样，我们实际上是把字符'a'对应的ASCII码值赋值给了byte型变量a。

让我们回过头来看看最初的例子，能不能将a、b、c、d、e、f拼接在一起一次输出呢？让我们试试看：
Java代码
public class ChineseTest {  
    public static void main(String[] args) {  
        // 将一个中文汉字赋值给一个char变量  
        char a = '中';  
        char b = '文';  
        char c = '测';  
        char d = '试';  
        char e = '成';  
        char f = '功';  
        System.out.print(a + b + c + d + e + f);  
    }  
} 

public class ChineseTest {
public static void main(String[] args) {
// 将一个中文汉字赋值给一个char变量
char a = '中';
char b = '文';
char c = '测';
char d = '试';
char e = '成';
char f = '功';
System.out.print(a + b + c + d + e + f);
}
}

运行结果：

156035

这显然不是我们想要的结果。只所以会这样是因为我们误用了“+”运算符，当它被用于字符串和字符串之间，或者字符串和其他类型变量之间时，它产生的效果是字符串的拼接；但当它被用于字符和字符之间时，效果等同于用于数字和数字之间，是一种算术运算。因此我们得到的“156035”是'中'、'文'、'测'、'试'、'成'、'功'这六个汉字分别对应的数值算术相加后的结果。

字符串的反转输出

这也是面试题中常考的一道。我们就以一个包含了全部26个英文字母，同时又具有完整含义的最短句子作为例子来完成解答。先来看一下这个句子：


引用
A quick brown fox jumps over the lazy dog.（一只轻巧的棕色狐狸从那条懒狗身上跳了过去。）


最常用的方式就是反向取出每个位置的字符，然后依次将它们输出到控制台：
Java代码
public class StringReverse {  
    public static void main(String[] args) {  
        // 原始字符串  
        String s = "A quick brown fox jumps over the lazy dog.";  
        System.out.println("原始的字符串：" + s);  
 
        System.out.print("反转后字符串：");  
        for (int i = s.length(); i > 0; i--) {  
            System.out.print(s.charAt(i - 1));  
        }  
 
        // 也可以转换成数组后再反转，不过有点多此一举  
        char[] data = s.toCharArray();  
        System.out.println();  
        System.out.print("反转后字符串：");  
        for (int i = data.length; i > 0; i--) {  
            System.out.print(data[i - 1]);  
        }  
    }  
} 

public class StringReverse {
public static void main(String[] args) {
// 原始字符串
String s = "A quick brown fox jumps over the lazy dog.";
System.out.println("原始的字符串：" + s);

System.out.print("反转后字符串：");
for (int i = s.length(); i > 0; i--) {
System.out.print(s.charAt(i - 1));
}

// 也可以转换成数组后再反转，不过有点多此一举
char[] data = s.toCharArray();
System.out.println();
System.out.print("反转后字符串：");
for (int i = data.length; i > 0; i--) {
System.out.print(data[i - 1]);
}
}
}

运行结果：

原始的字符串：A quick brown fox jumps over the lazy dog.
反转后字符串：.god yzal eht revo spmuj xof nworb kciuq A
反转后字符串：.god yzal eht revo spmuj xof nworb kciuq A

以上两种方式虽然常用，但却不是最简单的方式，更简单的是使用现有的方法：
Java代码
public class StringReverse {  
    public static void main(String[] args) {  
        // 原始字符串  
        String s = "A quick brown fox jumps over the lazy dog.";  
        System.out.println("原始的字符串：" + s);  
 
        System.out.print("反转后字符串：");  
        StringBuffer buff = new StringBuffer(s);  
        // java.lang.StringBuffer类的reverse()方法可以将字符串反转  
        System.out.println(buff.reverse().toString());  
    }  
} 

public class StringReverse {
public static void main(String[] args) {
// 原始字符串
String s = "A quick brown fox jumps over the lazy dog.";
System.out.println("原始的字符串：" + s);

System.out.print("反转后字符串：");
StringBuffer buff = new StringBuffer(s);
// java.lang.StringBuffer类的reverse()方法可以将字符串反转
System.out.println(buff.reverse().toString());
}
}

运行结果：

原始的字符串：A quick brown fox jumps over the lazy dog.
反转后字符串：.god yzal eht revo spmuj xof nworb kciuq A


按字节截取含有中文汉字的字符串

要求实现一个按字节截取字符串的方法，比如对于字符串"我ZWR爱JAVA"，截取它的前四位字节应该是"我ZW"，而不是"我ZWR"，同时要保证不会出现截取了半个汉字的情况。

英文字母和中文汉字在不同的编码格式下，所占用的字节数也是不同的，我们可以通过下面的例子来看看在一些常见的编码格式下，一个英文字母和一个中文汉字分别占用多少字节。
Java代码
import java.io.UnsupportedEncodingException;  
 
public class EncodeTest {  
    /** 
     * 打印字符串在指定编码下的字节数和编码名称到控制台 
     *  
     * @param s 
     *            字符串 
     * @param encodingName 
     *            编码格式 
     */ 
    public static void printByteLength(String s, String encodingName) {  
        System.out.print("字节数：");  
        try {  
            System.out.print(s.getBytes(encodingName).length);  
        } catch (UnsupportedEncodingException e) {  
            e.printStackTrace();  
        }  
        System.out.println(";编码：" + encodingName);  
    }  
 
    public static void main(String[] args) {  
        String en = "A";  
        String ch = "人";  
 
        // 计算一个英文字母在各种编码下的字节数  
        System.out.println("英文字母：" + en);  
        EncodeTest.printByteLength(en, "GB2312");  
        EncodeTest.printByteLength(en, "GBK");  
        EncodeTest.printByteLength(en, "GB18030");  
        EncodeTest.printByteLength(en, "ISO-8859-1");  
        EncodeTest.printByteLength(en, "UTF-8");  
        EncodeTest.printByteLength(en, "UTF-16");  
        EncodeTest.printByteLength(en, "UTF-16BE");  
        EncodeTest.printByteLength(en, "UTF-16LE");  
 
        System.out.println();  
 
        // 计算一个中文汉字在各种编码下的字节数  
        System.out.println("中文汉字：" + ch);  
        EncodeTest.printByteLength(ch, "GB2312");  
        EncodeTest.printByteLength(ch, "GBK");  
        EncodeTest.printByteLength(ch, "GB18030");  
        EncodeTest.printByteLength(ch, "ISO-8859-1");  
        EncodeTest.printByteLength(ch, "UTF-8");  
        EncodeTest.printByteLength(ch, "UTF-16");  
        EncodeTest.printByteLength(ch, "UTF-16BE");  
        EncodeTest.printByteLength(ch, "UTF-16LE");  
    }  
} 

import java.io.UnsupportedEncodingException;

public class EncodeTest {
/**
* 打印字符串在指定编码下的字节数和编码名称到控制台
*
* @param s
*            字符串
* @param encodingName
*            编码格式
*/
public static void printByteLength(String s, String encodingName) {
System.out.print("字节数：");
try {
System.out.print(s.getBytes(encodingName).length);
} catch (UnsupportedEncodingException e) {
e.printStackTrace();
}
System.out.println(";编码：" + encodingName);
}

public static void main(String[] args) {
String en = "A";
String ch = "人";

// 计算一个英文字母在各种编码下的字节数
System.out.println("英文字母：" + en);
EncodeTest.printByteLength(en, "GB2312");
EncodeTest.printByteLength(en, "GBK");
EncodeTest.printByteLength(en, "GB18030");
EncodeTest.printByteLength(en, "ISO-8859-1");
EncodeTest.printByteLength(en, "UTF-8");
EncodeTest.printByteLength(en, "UTF-16");
EncodeTest.printByteLength(en, "UTF-16BE");
EncodeTest.printByteLength(en, "UTF-16LE");

System.out.println();

// 计算一个中文汉字在各种编码下的字节数
System.out.println("中文汉字：" + ch);
EncodeTest.printByteLength(ch, "GB2312");
EncodeTest.printByteLength(ch, "GBK");
EncodeTest.printByteLength(ch, "GB18030");
EncodeTest.printByteLength(ch, "ISO-8859-1");
EncodeTest.printByteLength(ch, "UTF-8");
EncodeTest.printByteLength(ch, "UTF-16");
EncodeTest.printByteLength(ch, "UTF-16BE");
EncodeTest.printByteLength(ch, "UTF-16LE");
}
}

运行结果如下：

英文字母：A
字节数：1;编码：GB2312
字节数：1;编码：GBK
字节数：1;编码：GB18030
字节数：1;编码：ISO-8859-1
字节数：1;编码：UTF-8
字节数：4;编码：UTF-16
字节数：2;编码：UTF-16BE
字节数：2;编码：UTF-16LE

中文汉字：人
字节数：2;编码：GB2312
字节数：2;编码：GBK
字节数：2;编码：GB18030
字节数：1;编码：ISO-8859-1
字节数：3;编码：UTF-8
字节数：4;编码：UTF-16
字节数：2;编码：UTF-16BE
字节数：2;编码：UTF-16LE


UTF-16BE和UTF-16LE是UNICODE编码家族的两个成员。UNICODE标准定义了UTF-8、UTF-16、UTF-32三种编码格式，共有UTF-8、UTF-16、UTF-16BE、UTF-16LE、UTF-32、UTF-32BE、UTF-32LE七种编码方案。JAVA所采用的编码方案是UTF-16BE。从上例的运行结果中我们可以看出，GB2312、GBK、GB18030三种编码格式都可以满足题目的要求。下面我们就以GBK编码为例来进行解答。

如果我们直接按照字节截取会出现什么情况呢？我们来测试一下：
Java代码
import java.io.UnsupportedEncodingException;     
    
public class CutString {     
    public static void main(String[] args) throws UnsupportedEncodingException {     
        String s = "我ZWR爱JAVA";     
        // 获取GBK编码下的字节数据     
        byte[] data = s.getBytes("GBK");     
        byte[] tmp = new byte[6];     
        // 将data数组的前六个字节拷贝到tmp数组中     
        System.arraycopy(data, 0, tmp, 0, 6);     
        // 将截取到的前六个字节以字符串形式输出到控制台     
        s = new String(tmp);     
        System.out.println(s);     
    }     
}  

import java.io.UnsupportedEncodingException;  
 
public class CutString {  
    public static void main(String[] args) throws UnsupportedEncodingException {  
        String s = "我ZWR爱JAVA";  
        // 获取GBK编码下的字节数据  
        byte[] data = s.getBytes("GBK");  
        byte[] tmp = new byte[6];  
        // 将data数组的前六个字节拷贝到tmp数组中  
        System.arraycopy(data, 0, tmp, 0, 6);  
        // 将截取到的前六个字节以字符串形式输出到控制台  
        s = new String(tmp);  
        System.out.println(s);  
    }  
}

输出结果：

我ZWR?

在截取前六个字节时，第二个汉字“爱”被截取了一半，导致它无法正常显示了，这样显然是有问题的。

我们不能直接使用String类的substring(int beginIndex, int endIndex)方法，因为它是按字符截取的。'我'和'Z'都被作为一个字符来看待，length都是1。实际上我们只要能区分开中文汉字和英文字母，这个问题就迎刃而解了，而它们的区别就是，中文汉字是两个字节，英文字母是一个字节。
Java代码
import java.io.UnsupportedEncodingException;  
 
public class CutString {  
 
    /** 
     * 判断是否是一个中文汉字 
     *  
     * @param c 
     *            字符 
     * @return true表示是中文汉字，false表示是英文字母 
     * @throws UnsupportedEncodingException 
     *             使用了JAVA不支持的编码格式 
     */ 
    public static boolean isChineseChar(char c)  
            throws UnsupportedEncodingException {  
        // 如果字节数大于1，是汉字  
        // 以这种方式区别英文字母和中文汉字并不是十分严谨，但在这个题目中，这样判断已经足够了  
        return String.valueOf(c).getBytes("GBK").length > 1;  
    }  
 
    /** 
     * 按字节截取字符串 
     *  
     * @param orignal 
     *            原始字符串 
     * @param count 
     *            截取位数 
     * @return 截取后的字符串 
     * @throws UnsupportedEncodingException 
     *             使用了JAVA不支持的编码格式 
     */ 
    public static String substring(String orignal, int count)  
            throws UnsupportedEncodingException {  
        // 原始字符不为null，也不是空字符串  
        if (orignal != null && !"".equals(orignal)) {  
            // 将原始字符串转换为GBK编码格式  
            orignal = new String(orignal.getBytes(), "GBK");  
            // 要截取的字节数大于0，且小于原始字符串的字节数  
            if (count > 0 && count < orignal.getBytes("GBK").length) {  
                StringBuffer buff = new StringBuffer();  
                char c;  
                for (int i = 0; i < count; i++) {  
                    // charAt(int index)也是按照字符来分解字符串的  
                    c = orignal.charAt(i);  
                    buff.append(c);  
                    if (CutString.isChineseChar(c)) {  
                        // 遇到中文汉字，截取字节总数减1  
                        --count;  
                    }  
                }  
                return buff.toString();  
            }  
        }  
        return orignal;  
    }  
 
    public static void main(String[] args) {  
        // 原始字符串  
        String s = "我ZWR爱JAVA";  
        System.out.println("原始字符串：" + s);  
        try {  
            System.out.println("截取前1位：" + CutString.substring(s, 1));  
            System.out.println("截取前2位：" + CutString.substring(s, 2));  
            System.out.println("截取前4位：" + CutString.substring(s, 4));  
            System.out.println("截取前6位：" + CutString.substring(s, 6));  
        } catch (UnsupportedEncodingException e) {  
            e.printStackTrace();  
        }  
    }  
} 

import java.io.UnsupportedEncodingException;

public class CutString {

/**
* 判断是否是一个中文汉字
*
* @param c
*            字符
* @return true表示是中文汉字，false表示是英文字母
* @throws UnsupportedEncodingException
*             使用了JAVA不支持的编码格式
*/
public static boolean isChineseChar(char c)
throws UnsupportedEncodingException {
// 如果字节数大于1，是汉字
// 以这种方式区别英文字母和中文汉字并不是十分严谨，但在这个题目中，这样判断已经足够了
return String.valueOf(c).getBytes("GBK").length > 1;
}

/**
* 按字节截取字符串
*
* @param orignal
*            原始字符串
* @param count
*            截取位数
* @return 截取后的字符串
* @throws UnsupportedEncodingException
*             使用了JAVA不支持的编码格式
*/
public static String substring(String orignal, int count)
throws UnsupportedEncodingException {
// 原始字符不为null，也不是空字符串
if (orignal != null && !"".equals(orignal)) {
// 将原始字符串转换为GBK编码格式
orignal = new String(orignal.getBytes(), "GBK");
// 要截取的字节数大于0，且小于原始字符串的字节数
if (count > 0 && count < orignal.getBytes("GBK").length) {
StringBuffer buff = new StringBuffer();
char c;
for (int i = 0; i < count; i++) {
// charAt(int index)也是按照字符来分解字符串的
c = orignal.charAt(i);
buff.append(c);
if (CutString.isChineseChar(c)) {
// 遇到中文汉字，截取字节总数减1
--count;
}
}
return buff.toString();
}
}
return orignal;
}

public static void main(String[] args) {
// 原始字符串
String s = "我ZWR爱JAVA";
System.out.println("原始字符串：" + s);
try {
System.out.println("截取前1位：" + CutString.substring(s, 1));
System.out.println("截取前2位：" + CutString.substring(s, 2));
System.out.println("截取前4位：" + CutString.substring(s, 4));
System.out.println("截取前6位：" + CutString.substring(s, 6));
} catch (UnsupportedEncodingException e) {
e.printStackTrace();
}
}
}

运行结果：

原始字符串：我ZWR爱JAVA
截取前1位：我
截取前2位：我
截取前4位：我ZW
截取前6位：我ZWR爱