JNI中文處理問題小結

由於工作關係，需要利用JNI在C++與Java程序之間進行方法調用和數據傳遞，但以前總是在英文環境下工作，對中文（其他語言編碼同理）問題反倒沒有太關注，最近抽了點時間研究了一下，將自己的體會整理如下，供大家討論或參考。

在進一步討論之前，有幾點基礎知識需要說明：
1、在Java內部，所有的字符串編碼採用的是Unicode即UCS-2。Unicode是用兩個字節表示每個字符的字符編碼方案。Unicode有一個特性：它包括了世界上所有的字符字形。所以，各個地區的語言都可以建立與Unicode的映射關係，而Java正是利用了這一點以達到異種語言之間的轉換。
2、UTF-8是另一種不同於UCS-2/UCS-4的編碼方案，其中UTF代表UCS Transformation Format，它採用變長的方式進行編碼，編碼長度可以是1~3（據說理論上最長可以到6，不懂）。
由於UCS-2/UCS-4編碼定長的原因，編碼產生的字符串會包含一些特殊的字符，如/0（即0x0，所有0~256的字符Unicode編碼的第一個字節），這在有些情況下（如傳輸或解析時）會給我們帶來一些麻煩，而且對於一般的英文字母浪費了太多的空間，此外，據說UTF-8還有Unicode所沒有的糾錯能力（不懂！），因此，Unicode往往只是被用作一種中間碼，用於邏輯表示。關於Unicode/UTF-8的更多信息，見參考1。

Java中文亂碼問題在很多情況下都可能發生：不同應用間，不同平臺間等等，但以上問題已有大量優秀的文章討論過，這裏不作深入探討，詳見參考2、3、4、5。下面簡要總結一下：
1、當我們使用默認編碼方式保存源文件時，文件內容實際上是按照我們的系統設定進行編碼保存的，這個設定值即file.encoding可以通過下面的程序獲得：

public class Encoding {
    public static void main(String[] args) {
        System.out.println(System.getProperty("file.encoding"));
    }
}

javac在不指定encoding參數時，如果區域設定不正確，則可能造成編/解碼錯誤，這個問題在編譯一個從別的環境傳過來的文件時可能發生。
2、雖然在Java內部（即運行期間，Runtime）字符串是以Unicode形式存在的，但在class文件中信息是以UTF-8形式存儲的（Unicode僅被用作邏輯表示中間碼）。
3、對於Web應用，以Tomcat爲例，JSP/Servlet引擎提供的JSP轉換工具（jspc）搜索JSP文件中用<%@ page contentType ="text/html; charset=<Jsp-charset>"%>指定的charset。如果在JSP文件中未指定<Jsp-charset>，則取系統默認的file.encoding（這個值在中文平臺上是GBK），可通過控制面板的Regional Options進行修改；jspc用相當於“javac –encoding <Jsp-charset>”的命令解釋JSP文件中出現的所有字符，包括中文字符和ASCII字符，然後把這些字符轉換成Unicode字符，再轉化成UTF-8格式，存爲JAVA文件。
我曾經偶然將jsp文件存成UTF-8，而在文件內部使用的charset卻是GB2312，結果運行時總是無法正常顯示中文，後來轉存爲默認編碼方式才正常。只要文件存儲格式與JSP開頭的charset設置一致，就都可以正常顯示（不過將文件保存成UTF-16的情況下我還沒有試驗成功）。
4、在XML文件中，encoding表示的是文件本身的編碼方式，如果這個參數設定與文件本身實際的編碼方式不一致的話，則可能解碼失敗，所以應該總是將encoding設置成與文件編碼方式一致的值；而JSP/HTML的charset則表示按照何種字符集來解碼從文件中讀取出來的字符串（在理解中文問題時應該把字符串理解成一個二進制或16進制的串，按照不同的charset可能映射成不同的字符）。
我曾經在網上就encoding的具體含義跟別人討論過：如果encoding指的是文件本身的編碼方式，那麼讀取該文件的應用程序在不知道encoding設置的情況下如何正確解讀該文件呢？
根據討論及個人理解，處理程序（如jspc）總是按ISO8859-1來讀取輸入文件，然後檢查文件開始的幾個字節（即Byte Order Mark，BOM，具體如何判斷，可以參考Tomcat源碼$SOURCE_DIR/jasper/jasper2/src/share/org/apache/jasper/xmlparser/XMLEncodingDetector.java的getEncodingName方法，在JSP Specification的Page Character Encoding一節也有詳細論述）以探測文件是以何種格式保存的，當解析到encoding選項時，若encoding設置與文件實際保存格式不一致，會嘗試進行轉換，但這種轉換可能在文件實際以ISO8859-1/UTF-8等單字節編碼而encoding被設置成Unicode、UTF-16等雙字節編碼時發生錯誤。

下面重點討論JNI中在C++程序與Java程序間進行數據傳遞時需要注意的問題。
在JNI中jstring採用的是UCS-2編碼，與Java中String的編碼方式一致。但是在C++中，字符串是用char（8位）或者wchar_t（16位，Unicode編碼與jchar一致，但並非所有開發平臺上都是Unicode編碼，詳見參考6），下面的程序證明了這一點（編譯環境：VC6）：

#include <iostream>
using namespace std;

int main()
{
    locale loc( "Chinese-simplified" );
    //locale loc( "chs" );
    //locale loc( "ZHI" );
    //locale loc( ".936" );
    wcout.imbue( loc );

    wcout << L"中文" << endl; //若沒有L，會出問題

    wchar_t wch[] = {0x4E2D, 0x6587, 0x0}; //"中文"二字的Unicode編碼
    wcout << wch << endl;

    return 0;
}

JNI提供了幾個方法來實現jstring與char/wchar_t之間的轉換。

jsize GetStringLength(jstring str)
const jchar *GetStringChars(jstring str, jboolean *isCopy)
void ReleaseStringChars(jstring str, const jchar *chars)

此外，爲了便於以UTF-8方式進行傳輸、存儲，JNI還提供了幾個操作UTF格式的方法：

jsize GetStringUTFLength(jstring str)
const char* GetStringUTFChars(jstring str, jboolean *isCopy)
void ReleaseStringUTFChars(jstring str, const char* chars)

GetStringChars返回的是Unicode格式的編碼串，而GetStringUTFChars返回的是UTF-8格式的編碼串。
要創建一個jstring，可以用如下方式：

jstring NewJString( JNIEnv * env, LPCTSTR str )
{
    if (!env || !str)
        return 0;

    int slen = strlen(str);
    jchar * buffer = new jchar[slen];
    int len = MultiByteToWideChar(CP_ACP, 0, str, strlen(str), buffer, slen);

    if (len > 0 && len < slen)
        buffer[len] = 0;

    jstring js = env->NewString(buffer, len);
    delete [] buffer;
    return js;
}

而要將一個jstring對象轉爲一個char字符串數組，可以：

int JStringToChar( JNIEnv * env, jstring str, LPTSTR desc, int desc_len )
{
    int len = 0;

    if (desc == NULL || str == NULL)
        return -1;

    // Check buffer size
    if (env->GetStringLength(str) * 2 + 1 > desc_len)
    {
        return -2;
    }
    memset(desc, 0, desc_len);

    const wchar_t * w_buffer = env->GetStringChars(str, 0);
    len = WideCharToMultiByte(CP_ACP, 0, w_buffer, wcslen(w_buffer) + 1, desc, desc_len, NULL, NULL);
    env->ReleaseStringChars(str, w_buffer);

    if (len > 0 && len < desc_len)
        desc[len] = 0;

    return strlen(desc);
}

當然，按照上面的分析，你也可以直接將GetStringChars的返回結果作爲wchar_t串來進行操作。或者，如果你願意，你也可以將GetStringUTFChars的結果通過MultiByteToWideChar轉換爲UCS2編碼串，再通過WideCharToMultiByte轉換爲多字節串。

const char* pstr = env->GetStringUTFChars(str, false);
int nLen = MultiByteToWideChar( CP_UTF8, 0, pstr, -1, NULL, NULL );//得到UTF-8編碼的字符串長度
LPWSTR lpwsz = new WCHAR[nLen];    
MultiByteToWideChar( CP_UTF8, 0, pstr, -1, lpwsz, nLen );//轉換的結果是UCS2格式的編碼串
int nLen1 = WideCharToMultiByte( CP_ACP, 0, lpwsz, nLen, NULL, NULL, NULL, NULL );    
LPSTR lpsz = new CHAR[nLen1];
WideCharToMultiByte( CP_ACP, 0, lpwsz, nLen, lpsz, nLen1, NULL, NULL );//將UCS2格式的編碼串轉換爲多字節

cout << "Out:" << lpsz << endl;

delete [] lpwsz; delete [] lpsz;

當然，我相信很少有人想要或者需要這麼做。
這裏需要注意一點，GetStringChars的返回值是jchar，而GetStringUTFChars的返回值是const char*.
除了上面的辦法外，當需要經常在jstring和char*之間進行轉換時我們還有一個選擇，那就是下面的這個類。這個類本來是一個叫Roger S. Reynolds的老外提供的，想法非常棒，但用起來卻不太靈光，因爲作者將考慮的重心放在UTF格式串上，但在實際操作中，我們往往使用的卻是ACP（ANSI code page）串。下面是原作者的程序：
class UTFString {
private:

    UTFString (); // Default ctor - disallowed 

public:

    // Create a new instance from the specified jstring 
    UTFString(JNIEnv* env, const jstring& str) :
        mEnv (env),
        mJstr (str),
        mUtfChars ((char* )mEnv->GetStringUTFChars (mJstr, 0)),
        mString (mUtfChars) { }

    // Create a new instance from the specified string 
    UTFString(JNIEnv* env, const string& str) :
        mEnv (env),
        mString (str),
        mJstr (env->NewStringUTF (str.c_str ())),
        mUtfChars ((char* )mEnv->GetStringUTFChars (mJstr, 0)) { }

    // Create a new instance as a copy of the specified UTFString 
    UTFString(const UTFString& rhs) :
        mEnv (rhs.mEnv),
        mJstr (mEnv->NewStringUTF (rhs.mUtfChars)),
        mUtfChars ((char* )mEnv->GetStringUTFChars (mJstr, 0)),
        mString (mUtfChars) { }

    // Delete the instance and release allocated storage 
    ~UTFString() { mEnv->ReleaseStringUTFChars (mJstr, mUtfChars); }

    // assign a new value to this instance from the given string 
    UTFString & operator =(const string& rhs) {
        mEnv->ReleaseStringUTFChars (mJstr, mUtfChars);
        mJstr = mEnv->NewStringUTF (rhs.c_str ());
        mUtfChars = (char* )mEnv->GetStringUTFChars (mJstr, 0);
        mString = mUtfChars;
        return *this;
    }

    // assign a new value to this instance from the given char* 
    UTFString & operator =(const char* ptr) {
        mEnv->ReleaseStringUTFChars (mJstr, mUtfChars);
        mJstr = mEnv->NewStringUTF (ptr);
        mUtfChars = (char* )mEnv->GetStringUTFChars (mJstr, 0);
        mString = mUtfChars;
        return *this;
    }

    // Supply operator methods for converting the UTFString to a string 
    // or char*, making it easy to pass UTFString arguments to functions 
    // that require string or char* parameters. 
    string & GetString() { return mString; }
    operator string() { return mString; }
    operator const char* () { return mString.c_str (); }
    operator jstring() { return mJstr; }

private:

    JNIEnv* mEnv;    // The enviroment pointer for this native method. 
    jstring mJstr;   // A copy of the jstring object that this UTFString represents 
    char* mUtfChars; // Pointer to the data returned by GetStringUTFChars 
    string mString;  // string buffer for holding the "value" of this instance 
};
我將它改了改：
class JNIString {
private:

    JNIString (); // Default ctor - disallowed

public:

    // Create a new instance from the specified jstring
    JNIString(JNIEnv* env, const jstring& str) :
        mEnv (env) {
        const jchar* w_buffer = env->GetStringChars (str, 0);
        mJstr = env->NewString (w_buffer,
                                wcslen (w_buffer)); // Deep Copy, in usual case we only need Shallow Copy as we just need this class to provide some convenience for handling jstring

        mChars = new char[wcslen (w_buffer) * 2 + 1];
        WideCharToMultiByte (CP_ACP, 0, w_buffer, wcslen (w_buffer) + 1, mChars, wcslen (w_buffer) * 2 + 1,
                             NULL,   NULL);
        env->ReleaseStringChars (str, w_buffer);

        mString = mChars;
    }

    // Create a new instance from the specified string
    JNIString(JNIEnv* env, const string& str) :
        mEnv (env) {
        int slen = str.length ();
        jchar* buffer = new jchar[slen];
        int len = MultiByteToWideChar (CP_ACP, 0, str.c_str (), str.length (), buffer, slen);

        if (len > 0 && len < slen)
            buffer[len] = 0;

        mJstr = env->NewString (buffer, len);
        delete [] buffer;

        mChars = new char[str.length () + 1];
        strcpy (mChars, str.c_str ());

        mString.empty ();
        mString = str.c_str ();
    }

    // Create a new instance as a copy of the specified JNIString
    JNIString(const JNIString& rhs) :
        mEnv (rhs.mEnv) {
        const jchar* wstr = mEnv->GetStringChars (rhs.mJstr, 0);
        mJstr = mEnv->NewString (wstr, wcslen (wstr));
        mEnv->ReleaseStringChars (rhs.mJstr, wstr);

        mChars = new char[strlen (rhs.mChars) + 1];
        strcpy (mChars, rhs.mChars);

        mString = rhs.mString.c_str ();
    }

    // Delete the instance and release allocated storage
    ~JNIString() { delete [] mChars; }

    // assign a new value to this instance from the given string
    JNIString & operator =(const string& rhs) {
        delete [] mChars;

        int slen = rhs.length ();
        jchar* buffer = new jchar[slen];
        int len = MultiByteToWideChar (CP_ACP, 0, rhs.c_str (), rhs.length (), buffer, slen);

        if (len > 0 && len < slen)
            buffer[len] = 0;

        mJstr = mEnv->NewString (buffer, len);
        delete [] buffer;

        mChars = new char[rhs.length () + 1];
        strcpy (mChars, rhs.c_str ());

        mString = rhs.c_str ();

        return *this;
    }

    // Supply operator methods for converting the JNIString to a string
    // or char*, making it easy to pass JNIString arguments to functions
    // that require string or char* parameters.
    string & GetString() { return mString; }
    operator string() { return mString; }
    operator const char* () { return mString.c_str (); }
    operator jstring() { return mJstr; }

private:

    JNIEnv* mEnv;   // The enviroment pointer for this native method.
    jstring mJstr;  // A copy of the jstring object that this JNIString represents
    char* mChars;   // Pointer to a ANSI code page char array
    string mString; // string buffer for holding the "value" of this instance (ANSI code page)
};
後者除了將面向UTF編碼改成了面向ANSI編碼外，還去掉了operator =(const char* ptr)的定義，因爲operator =(const string& rhs)可以在需要的時候替代前者而無需任何額外編碼。（因爲按照C++規範，const reference可以自動轉換，詳見本人另一文章《關於const reference的幾點說明》http://blog.vckbase.com/billdavid/archive/2004/11/11/1453.html）
如果你願意，給JNIString再加個JNIString(JNIEnv* env, const wstring& str)和一個operator =(const wstring& rhs)操作符重載就比較完美了，:)，很簡單，留給用得到的朋友自己加吧。
下面是一個使用該類的例子（真正跟用於演示的code很少，大部分都是些routine code，:)）：
#include <iostream>
#include <string>
#include <assert.h>
#include <jni.h>

using namespace std;

int main() {
    int res;
    JavaVM* jvm;
    JNIEnv* env;
    JavaVMInitArgs vm_args;
    JavaVMOption options[3];

    options[0].optionString = "-Djava.compiler=NONE";
    options[1].optionString = "-Djava.class.path=.;.."; // .. is specially for this project
    options[2].optionString = "-verbose:jni";
    vm_args.version = JNI_VERSION_1_4;
    vm_args.nOptions = 3;
    vm_args.options = options;
    vm_args.ignoreUnrecognized = JNI_TRUE;
    res = JNI_CreateJavaVM (& jvm, (void* * )& env, & vm_args);

    if (res < 0) {
        fprintf (stderr, "Can't create Java VM/n");
        return 1;
    }

    jclass cls = env->FindClass ("jni/test/Demo");
    assert (0 != cls);

    jmethodID mid = env->GetMethodID (cls, "<init>", "(Ljava/lang/String;)V");
    assert (0 != mid);

    wchar_t* p = L"中國";
    jobject obj = env->NewObject (cls, mid, env->NewString (reinterpret_cast<jchar*> (p), wcslen (p)));
    assert (0 != obj);

    mid = env->GetMethodID (cls, "getMessage", "()Ljava/lang/String;");
    assert (0 != mid);

    jstring str = (jstring)env->CallObjectMethod (obj, mid);

    // use JNIString for easier handling.
    JNIString jnistr (env, str);
    cout << "JNIString:" << jnistr.GetString () << endl;

    jnistr = "中文";
    cout << jnistr.GetString () << endl;

    jvm->DestroyJavaVM ();
    fprintf (stdout, "Java VM destory./n");

    return 0;
}

參考：
1、UTF-8 and Unicode FAQ for Unix/Linuxs，http://www.cl.cam.ac.uk/~mgk25/unicode.html，其中文翻譯見http://www.linuxforum.net/books/UTF-8-Unicode.html
2、深入剖析Java編程中的中文問題及建議最優解決方法，http://blog.csdn.net/abnerchai/archive/2004/04/28/18576.aspx
3、關於Java中文問題的幾條分析原則，http://www-900.ibm.com/developerWorks/cn/java/l-javachinese/index.shtml
4、Java 編程技術中漢字問題的分析及解決，http://www-900.ibm.com/developerWorks/cn/java/java_chinese/index.shtml
5、深入剖析JSP和Servlet對中文的處理過程，http://blog.csdn.net/deuso/archive/2005/12/01/541511.aspx
6、寬字符標量L"xx"在VC6.0/7.0和GNU g++中的不同實現，http://blog.vckbase.com/smileonce/archive/2004/12/09/1972.html
7、XML Encoding，http://www.w3schools.com/xml/xml_encoding.asp