在Java中,String.getBytes(String decode)方法會根據指定的decode編碼返回某字符串在該編碼下的byte數組表示,如
byte[] b_gbk = "中".getBytes("GBK");
byte[] b_utf8 = "中".getBytes("UTF-8");
byte[] b_iso88591 = "中".getBytes("ISO8859-1");
byte[] b_unicode = "中".getBytes("unicode");
將分別返回“中”這個漢字在GBK、UTF-8和ISO8859-1編碼下的byte數組表示,此時b_gbk的長度爲2,b_utf8的長度爲3,b_iso88591的長度爲1,b_unicode 的長度爲4(系統的的unicode採用的是big-endian就是前面是兩個字節來表示這個的,unicode採用的都是兩個字節編碼,所以後面是4個字節 )。
而與getBytes相對的,可以通過new String(byte[], decode)的方式來還原這個“中”字時,這個new String(byte[], decode)實際是使用decode指定的編碼來將byte[]解析成字符串。
String s_gbk = new String(b_gbk,"GBK");
String s_utf8 = new String(b_utf8,"UTF-8");
String s_iso88591 = new String(b_iso88591,"ISO8859-1");
通過打印s_gbk、s_utf8和s_iso88591,會發現,s_gbk和s_utf8都是“中”,而只有s_iso88591是一個不認識的字符,爲什麼使用ISO8859-1編碼再組合之後,無法還原“中”字呢,其實原因很簡單,因爲ISO8859-1編碼的編碼表中,根本就沒有包含漢字字符,當然也就無法通過"中".getBytes("ISO8859-1");來得到正確的“中”字在ISO8859-1中的編碼值了,所以再通過new String()來還原就無從談起了。
因此,通過String.getBytes(String decode)方法來得到byte[]時,一定要確定decode的編碼表中確實存在String表示的碼值,這樣得到的byte[]數組才能正確被還原。
有時候,爲了讓中文字符適應某些特殊要求(如http header頭要求其內容必須爲iso8859-1編碼),可能會通過將中文字符按照字節方式來編碼的情況,如
String s_iso88591 = new String("中".getBytes("UTF-8"),"ISO8859-1"),這樣得到的s_iso8859-1字符串實際是三個在ISO8859-1中的字符,在將這些字符傳遞到目的地後,目的地程序再通過相反的方式String s_utf8 = new String(s_iso88591.getBytes("ISO8859-1"),"UTF-8")來得到正確的中文漢字“中”。這樣就既保證了遵守協議規定、也支持中文。
String的getBytes()方法是得到一個字串的字節數組,這是衆所周知的。但特別要注意的是,本方法將返回該操作系統默認的編碼格式的字節數組。如果你在使用這個方法時不考慮到這一點,你會發現在一個平臺上運行.
良好的系統,放到另外一臺機器後會產生意想不到的問題。比如下面的程序,class TestCharset { public static void main(String[] args) { new TestCharset().execute(); } private void execute() { String s = "Hello!你好!"; byte[] bytes = s.getBytes(); System.out.println("bytes lenght is:" + bytes.length); }}
在一箇中文WindowsXP系統下,運行時,結果爲:bytes lenght is:12
但是如果放到了一個英文的UNIX環境下運行:
$ java TestCharset
bytes lenght is:9
如果你的程序依賴於該結果,將在後續操作中引起問題。爲什麼在一個系統中結果爲12,而在另外一個卻變成了9了呢?上面已經提到了,該方法是和平臺(編碼)相關的。在中文操作系統中,getBytes方法返回的是一個GBK或者GB2312的中文編碼的字節數組,其中中文字符,各佔兩個字節。而在英文平臺中,一般的默認編碼是“ISO-8859-1”,每個字符都只取一個字節(而不管是否非拉丁字符)。
Java中的編碼支持
Java是支持多國編碼的,在Java中,字符都是以Unicode進行存儲的,比如,“你”字的Unicode編碼是“4f60”,我們可以通過下面的實驗代碼來驗證:
class TestCharset { public static void main(String[] args) { char c = ''你''; int i = c; System.out.println(c); System.out.println(i); }}
不管你在任何平臺上執行,都會有相同的輸出:
----------------- output ------------------
你
20320
20320就是Unicode “4f60”的整數值。其實,你可以反編譯上面的類,可以發現在生成的.class文件中字符“你”(或者其它任何中文字串)本身就是以Unicode編碼進行存儲的:
char c = ''\u4F60''; ... ...
即使你知道了編碼的編碼格式,比如:
javac -encoding GBK TestCharset.java
編譯後生成的.class文件中仍然是以Unicode格式存儲中文字符或字符串的。
使用String.getBytes(String charset)方法
所以,爲了避免這種問題,我建議大家都在編碼中使用String.getBytes(String charset)方法。下面我們將從字串分別提取ISO-8859-1和GBK兩種編碼格式的字節數組,看看會有什麼結果:
class TestCharset { public static void main(String[] args) { new TestCharset().execute(); } private void execute() { String s = "Hello!你好!"; byte[] bytesISO8859 =null; byte[] bytesGBK = null; try { bytesISO8859 = s.getBytes("iso-8859-1"); bytesGBK = s.getBytes("GBK"); } catch (java.io.UnsupportedEncodingException e) { e.printStackTrace(); } System.out.println("-------------- \n 8859 bytes:"); System.out.println("bytes is: " + arrayToString(bytesISO8859)); System.out.println("hex format is:" + encodeHex(bytesISO8859)); System.out.println(); System.out.println("-------------- \n GBK bytes:"); System.out.println("bytes is: " + arrayToString(bytesGBK)); System.out.println("hex format is:" + encodeHex(bytesGBK)); } public static final String encodeHex (byte[] bytes) { StringBuffer buff = new StringBuffer(bytes.length * 2); String b; for (int i=0; i<bytes.length ; i++) { b = Integer.toHexString(bytes[i]); // byte是兩個字節的,而上面的Integer.toHexString會把字節擴展爲4個字節 buff.append(b.length() > 2 ? b.substring(6,8) : b); buff.append(" "); } return buff.toString(); } public static final String arrayToString (byte[] bytes) { StringBuffer buff = new StringBuffer(); for (int i=0; i<bytes.length ; i++) { buff.append(bytes[i] + " "); } return buff.toString(); }}
執行上面程序將打印出:
-------------- 8859 bytes:bytes is: 72 101 108 108 111 33 63 63 63hex format is:48 65 6c 6c 6f 21 3f 3f 3f-------------- GBK bytes:bytes is: 72 101 108 108 111 33 -60 -29 -70 -61 -93 -95hex format is:48 65 6c 6c 6f 21 c4 e3 ba c3 a3 a1
可見,在s中提取的8859-1格式的字節數組長度爲9,中文字符都變成了“63”,ASCII碼爲63的是“?”,一些國外的程序在國內中文環境下運行時, 經常出現亂碼,上面佈滿了“?”,就是因爲編碼沒有進行正確處理的結果。而提取的GBK編碼的字節數組中正確得到了中文字符的GBK編碼。字符“你”“好”“!”的GBK編碼分別是:“c4e3”“bac3”“a3a1”。得到了正確的以GBK編碼的字節數組,以後需要還原爲中文字串時,可以使用下面方法:
new String(byte[] bytes, String charset)