JAVA中文比较问题的分析解决

Java的中文问题由来已久，前不久笔者需要做内存中的中文比较排序，对字符串进行GBK或者GB2312编码以后，使用String.compareTo方法仍然不能得到正确结果。因此，怀着怀疑的态度，对JDK中String类的源代码做了一翻探究。（作者使用JDK为1.3.1版本）


以下是String.java中compareTo的源代码，请注意其中的注释：




public class String

{

…

public int compareTo(String anotherString) {

int len1 = count;

int len2 = anotherString.count;

//n为两个字符串长度的最小者

int n = Math.min(len1, len2);

//获取字符数组

char v1[] = value;

char v2[] = anotherString.value;

//取偏依位置

/** The offset is the first index of the storage that is used. */

//offset 是第一个存储索引

int i = offset;

int j = anotherString.offset;

//如果i == j

//这里可能是判断取同一内存中两个字符串的情景。。。

// A <-- <----

// B s1 |

// C <-- |

// D s2

// E |

// F |

// G <----------

// 可能这种情况 i = j

if (i == j) {

int k = i;

int lim = n + i;

while (k < lim)

{

char c1 = v1[k];

char c2 = v2[k];

if (c1 != c2) file://直到找到一个不相等的字符，返回c1 - c2

return c1 - c2;

k++;

}

} else {

while (n-- != 0) file://直到两个字符串长度记数为0

{

char c1 = v1[i++]; file://分别取字符

char c2 = v2[j++];

if (c1 != c2) { //发现不相等，立即返回c1 - c2;

return c1 - c2;

}

}

}

return len1 - len2;

//最后这里可能出现的情况是: 两个字符串比较完之后还没有得到结果。相等的情况

}

…

}//end of class String




为什么Java在做汉字的CompareTo时比较会有问题呢？通过对compareTo源代码的分析发现，关键在于JDK的compareTo实现是直接使用Char来进行比较的：

char c1 = v1[k];

char c2 = v2[k];

可是当Java使用GB2312编码时，一个对汉字所获取到的Char值却是不规则的，即一个汉字在Java中作为一个char来处理（双字节字符）时，将这样的双字节字符进行强制转换成int类型时，所得到的不是包含了汉字编码顺序的中文内码。可以看一下一组测试数据可以看到其中奥妙：

字符
Char值
Byte[]值
按Byte[]合成的值

我
25105
[50:46]
[-5046]

爱
29233
[80:82]
[-8082]

北
21271
[79:79]
[-7979]

京
20140
[66:87]
[-6687]

天
22825
[52:20]
[-5220]

安
23433
[80:78]
[-8078]

门
38376
[61:59]
[-6159]

A
65
[-65]
[65]

B
66
[-66]
[66]

C
67
[-67]
[67]

D
68
[-68]
[68]


按照中文顺序：“我”字应该在“爱”字后面，因此理论上来讲"我"字的Char值应该比“爱"字的char值要大。可是不知道为什么Java的汉字char(两个byte)->int类型的转换会发生很大偏差。而失去了汉字原本在ＧＢＫ规范当中，按内码排列好的顺序。但从一个汉字拆分成2个字节的byte[]时，所得到的值并没有打乱GBK编码规定的顺序，因此得到解决问题的思路：将String进行GB2312编码后取得某个汉字获取其Char值时，将汉字拆分成2个字节byte[]再进行计算，从而得到正确的内码。

因此我自己写了下面这样几个函数，基本上解决了汉字比较的问题：

函数包括三个，你可以随意放置到任何类当中作为辅助函数使用(Private Helper)。

n public int compare(String s1, String s2) ：主要工作是为比较做一些前期的编码工作可以说是系统的一个外壳。

n public int chineseCompareTo(String s1, String s2)：该函数则是中文字符串比较主体，其内部实现了比较的最基本逻辑，和JDK的compareTo所使用的逻辑是一样的。调用接口也一样。

n public static int getCharCode(String s)：该函数则负责将一个以字符串形式存在的字符转换成为int编码，儿不损失其位置信息。注意输入通常是：“我”或者“A”，如果输入更长的字符串，则改函数获得的是第一个字符的值。


private static String __ENCODE__ = "GBK"; file://一定要是GBK

private static String __SERVER_ENCODE__ = "GB2312"; file://服务器上的缺省编码

/*

比较两字符串

*/

public int compare(String s1, String s2)

{

String m_s1 = null, m_s2 = null;

try

{

//先将两字符串编码成GBK

m_s1 = new String ( s1.getBytes(__SERVER_ENCODE__), __ENCODE__);

m_s2 = new String ( s2.getBytes(__SERVER_ENCODE__), __ENCODE__);

}

catch( Exception ex)

{

return s1.compareTo(s2);

}

int res = chineseCompareTo(m_s1, m_s2);


System.out.println("比较：" + s1 + " | " + s2 + "==== Result: " + res);

return res;

}


//获取一个汉字/字母的Char值

public static int getCharCode(String s)

{

if (s==null && s.equals(“”)) return -1; file://保护代码

byte [] b = s.getBytes();

int value = 0;

//保证取第一个字符（汉字或者英文）

for (int i = 0; i < b.length && i <= 2; i ++)

{

value = value * 100 + b[i];

}

return value;

}


//比较两个字符串

public int chineseCompareTo(String s1, String s2)

{

int len1 = s1.length();

int len2 = s2.length();


int n = Math.min(len1, len2);


for (int i = 0; i < n; i ++)

{

int s1_code = getCharCode(s1.charAt(i) + "");

int s2_code = getCharCode(s2.charAt(i) + "");

if (s1_code != s2_code) return s1_code - s2_code;

}

return len1 - len2;

}


可见，对系统源代码的解剖，能让我们在迷惑之余同样有机会窥探系统内部运作的奥妙。不过让人非常费解的是，Java内部的某些类书写风格非常不好，同时存在一些Bug。不过这也许是笔者个人感受。偶有所获，愿与大家共同分享，其中疏漏之处望不吝赐教。