JAVA乱码你知道(DIY)

1. 四个涉及编码的环节

 

java开发中的乱码问题，有4个环节：

1. java文件的编码。

2. class文件的编码。

3. jvm中的字符串编码。

4. 外部资源的编码。

 

2. java 文件的编码

 

java文件是可以指定编码的，默认是系统编码，如果GBK。

 

 

	public static void main(String[] args) {
		String s = "汉";
		System.out.println(s);
	}

 

文件以GBK保存。只要我们以 GBK打开文件，汉字部分就正常显示。

 

结论：java源文件可以任意编码

 

3.  class 文件编码

 

当 java文件编译成class时候，进行了一次编码转换。这里的例子是 GBK 到UTF8

也就是说 class文件是以UTF8格式保存的。

所以以UTF8打开这个class，我们能够看到这样的字符串：

“([Ljava/lang/String;)V 汉” 

当然，有些字符不能正确显示，需要以HEX查看。

 

结论：class文件是UTF8编码

 

4. jvm中的字符串编码。

 

    jvm中的字符串是 unicode的，或者叫 UTF16。（下面证据不太直接。）

 

String s1 = "汉";
String s2 = "お";
System.out.println(Integer.toString(s1.charAt(0), 16));
System.out.println(Integer.toString(s2.charAt(0), 16));
System.out.println(s1+s2);

 

5. 外部资源的编码

 

主要是各种可以和外部产生联系的输入和输出。

如，System.out/err/in这些是流，外部存在的文件（读入或写出）

 

System.out/err/in，默认使用系统编码集。

如，export LANG=en_US.UTF8

 

外部文件，在read或write时，指定合适的编码即可。

 

6. 字符集转换

 

字符集的转换很多时候会丢失信息，从而产生乱码。

因此，一定要有正确的编码集使字符串变为正确的unicode。

 

大家经常看到这样的东西：new String(input.getBytes("ISO-8859-1"), "GBK") 

发生了一下事情。

1） String(GBK) -->byte[](ISO-8859-1) -->JVM(UTF16)   这里是乱码

2） JVM(UTF16) -->byte[](ISO-8859-1) -->byte[GBK]-->JVM(UTF16) 这里转回来了。

如果是 String(GBK) -->byte[](GBK) -->JVM(UTF16)， 那么就不会有乱码了。

 

7.  区分字符集和字体

 

有些时候，乱码是因为字体显示不正确造成的，这个赖不上字符集。

表象上：字体造成的乱码，一般表现为豆腐块，字符集表现为 问号。