浅谈Java字符串的编码问题

先看下面这段代码的运行结果

String str = "中国";
		System.out.println("第一部分-------------------------------------------");
		System.out.println(str.length());
		System.out.println(str.getBytes().length);
		String temp=new String(str.getBytes(), "UTF-8");
		System.out.println(temp+"\t"+temp.length());
		System.out
				.println(temp.getBytes().length);
		System.out
				.println("--------------------------------------------------");

		String str2 = "abc中国";
		System.out.println("第二部分-------------------------------------------");
		System.out.println(str2.length());
		System.out.println(str2.getBytes().length);
		System.out.println(new String(str2.getBytes(), "UTF-8").length());
		System.out
				.println(new String(str2.getBytes(), "UTF-8").getBytes().length);

 有的人运行结果是2、6、2、6；5、9、5、9

但有的人运行结果是2、4、3、4；5、7、6、7，也有可能运行结果是其他的值。完全相同的代码，运行结果却不同，这是为什么呢？

 

我们都知道，Java中String以Unicode的方式存储，这只是它在内存中的存储方式，一旦要使用这个String就需要转换成具体编码格式的表示形式，并且这个编码格式随源码文件的编码格式变化而变化。以上代码运行结果的根源就在这里。

请看下面的代码

//下面的字符串在GBK格式的源码文件里，字符串时GBK编码格式的
		System.out.println("第一部分-------------------------------------------");
		String str = "中国";
		
		System.out.println(str.length()); // 这些应该都没有问题，关键在下面
		System.out.println(str.getBytes().length);// 注意这里是得到的gbk的字节，一个汉字gbk编码是2个字节
		System.out.println(new String(str.getBytes(), "UTF-8").length());
		// 这里用得到的gbk的字节去转换成utf-8，需要注意的是一般情况下utf-8汉字占有3个字节，而acsll码在utf-8中是一个字节
		// 而编码转换的规则是对字节进行扫描，如果可以转换成1个字节的ascll就优先转换，可以转换成2个字节就优先转换成两个字节的utf-8编码

		// * 0xxxxxxx (00-7f) ascll
		// * 110xxxxx 10xxxxxx (c0-df)(80-bf) ascll和汉字之间的一些字符
		// * 1110xxxx 10xxxxxx 10xxxxxx (e0-ef)(80-bf)(80-bf) 汉字
		// * 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx (f0-f7)(80-bf)(80-bf)(80-bf)
		// * 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
		// (f8-fb)(80-bf)(80-bf)(80-bf)(80-bf)
		// * 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
		// (fc-fd)(80-bf)(80-bf)(80-bf)(80-bf)(80-bf)
		// 仔细看上面的utf-8的编码表 再看通过getBytes()，最终得到的二进制码是
		//11010110 11010000 10111001 11111010
		// 第一个字节与第二个一直到最后字节组合不成utf-8编码(110开始的只有上面的第二行，但是下一个字节不是10******，因此要对第一个字节单独解码
		// 再看第二个与第三个字节为11010000 10111001 刚好是一个上面的第二行的范围内，所以对他们两个进行一个utf-8解码
		// 最后对11111010 进行解码
		// 通过以上分析可以知道得到的utf-8格式的字符串时3个字符，所以长度是3
		System.out
				.println(new String(str.getBytes(), "UTF-8").getBytes().length);
		System.out.println("第二部分-------------------------------------------");
		String str2 = "abc中国";
		System.out.println(str2.length());
		System.out.println(str2.getBytes().length);
		System.out.println(new String(str2.getBytes(), "UTF-8").length());
		// 01100001 01100010 01100011 11010110 11010000 10111001 11111010
		// 一样从左到右去解码 显然前三个字节满足第一个范围分别解码为abc，后面就与上面的分析一样了
		// 顺便说一句，如果不想得到乱码可以用getBytes("utf-8")
		System.out
				.println(new String(str2.getBytes(), "UTF-8").getBytes().length);

 当你源代码文件的格式是UTF-8时，很符合一般的使用想法，但源码文件格式为GBK时，就会出现意想不到的结果。