java中比较重要的字符转化函数介绍

1、函数介绍在Java中，字符串用统一的Unicode编码，每个字符占用两个字节，与编码有关的两个主要函数为：1)将字符串用指定的编码集合解析成字节数组，完成Unicode-〉charsetName转换public byte[] getBytes(String charsetName) throws UnsupportedEncodingException


　　2)将字节数组以指定的编码集合构造成字符串，完成charsetName-〉Unicode转换public String(byte[] bytes， String charsetName) throws UnsupportedEncodingException


　　2、Unicode与各编码之间的直接转换下面以对中文字符串"a中文"的编码转换为例，来了解各种编码之间的转换1)Unicode和GBK测试结果如下，每个汉字转换为两个字节，且是可逆的，即通过字节可以转换回字符串String-GBK〉ByteArray：\u0061\u4E2D\u6587(a中文)-〉0x61 0xD6 0xD0 0xCE 0xC4 ByteArray-GBK〉String：0x61 0xD6 0xD0 0xCE 0xC4-〉\u0061\u4E2D\u6587(a中文)


　　2)Unicode和UTF-8测试结果如下，每个汉字转换为三个字节，且是可逆的，即通过字节可以转换回字符串String-UTF-8〉ByteArray：\u0061\u4E2D\u6587(a中文)-〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87 ByteArray-UTF-8〉String：0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87-〉\u0061\u4E2D\u6587(a中文)


　　3)Unicode和ISO-8859-1测试结果如下，当存在汉字时转换失败，非可逆，即通过字节不能再转换回字符串String-ISO-8859-1〉ByteArray：\u0061\u4E2D\u6587(a中文)-〉0x61 0x3F 0x3F ByteArray-ISO-8859-1〉String：0x61 0x3F 0x3F-〉\u0061\u003F\u003F(a？？)


　　3、Unicode与各编码之间的交叉转换在上面直接转换中，由字符串(Unicode)生成的字节数组，在构造回字符串时，使用的是正确的编码集合，如果使用的不是正确的编码集合会怎样呢？会正确构造吗？如果不能正确构造能有办法恢复吗？会信息丢失吗？


　　下面我们就来看看这种情况，这部分可以说明在某些情况下虽然我们最终正确显示了结果，但其间仍然进行了不正确的转换。


　　1)能够正确显示的中间不正确转换我们知道String-GBK〉ByteArray-GBK〉String是正确的，但如果我们采用String-GBK〉ByteArray-ISO-8859-1〉String呢？通过测试结果如下：String-GBK〉ByteArray-ISO-8859-1〉String：\u0061\u4E2D\u6587(a中文)-〉0x61 0xD6 0xD0 0xCE 0xC4-〉\u0061\u00D6\u00D0\u00CE\u00C4(a？？？？)


　　这时我们得到的字符串为？乱码“a？？？？”，但是通过继续转换我们仍然可以复原回正确的字符串“a中文”，过程如下：String-GBK〉ByteArray-ISO-8859-1〉String-ISO-8859-1〉ByteArray-GBK〉String对应：\u0061\u4E2D\u6587(a中文)-〉0x61 0xD6 0xD0 0xCE 0xC4-〉\u0061\u00D6\u00D0\u00CE\u00C4(a？？？？)-〉0x61 0xD6 0xD0 0xCE 0xC4-〉\u0061\u4E2D\u6587(a中文)


　　也就是我们在首次构造字符串时，我们用了错误的编码集合得到了错误的乱码，但是我们通过错上加错，再用错误的编码集合获取字节数组，然后再用正确的编码集合构造，就又恢复了正确的字符串。这时就属于是“能够正确显示的中间不正确转换”。在Jsp页面提交数据处理时常常发生这种情况。


　　此外能够正确显示的中间不正确转换还有：String-UTF-8〉ByteArray-ISO-8859-1〉String-ISO-8859-1〉ByteArray-UTF-8〉String和String-UTF-8〉ByteArray-GBK〉String-GBK〉ByteArray-UTF-8〉String对应：\u0061\u4E2D\u6587(a中文)-〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87-〉\u0061\u6D93\uE15F\u6783(a涓枃)-〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87-〉\u0061\u4E2D\u6587(a中文)


　　4、编码过程中错误诊断参考1)一个汉字对应一个问号在通过ISO-8859-1从字符串获取字节数组时，由于一个Unicode转换成一个byte，当遇到不认识的Unicode时，转换为0x3F，这样无论用哪种编码构造时都会产生一个？乱码。


　　2)一个汉字对应两个问号在通过GBK从字符串获取字节数组时，由于一个Unicode转换成两个byte，如果此时用ISO-8859-1或用UTF-8构造字符串就会出现两个问号。


　　若是通过ISO-8859-1构造可以再通过上面所说的错上加错恢复(即再通过从ISO-8859-1解析，用GBK构造);若是通过UTF-8构造则会产生Unicode字符"\uFFFD"，不能恢复，若再通过String-UTF-8〉ByteArray-GBK〉String，则会出现杂码，如a锟斤拷锟斤拷3)一个汉字对应三个问号在通过UTF-8从字符串获取字节数组时，由于一个Unicode转换成三个byte，如果此时用ISO-8859-1构造字符串就会出现三个问号;用GBK构造字符串就会出现杂码，如a涓枃。

评论

1 楼 deyanglining 2012-08-20