Java字符編碼根本原理
Java開發(fā)中，常常會遇到亂碼的問題，一旦遇到這種問題，常常就很扯蛋，每個人都不愿意承認是自己的代碼有問題。其實編碼問題并沒有那么神秘，那么不可捉摸，搞清Java的編碼本質(zhì)過程就真相大白了。
先看個圖：
其實，編碼問題存在兩個方面：JVM之內(nèi)和JVM之外。
1、Java文件編譯后形成class
這里Java文件的編碼可能有多種多樣，但Java編譯器會自動將這些編碼按照Java文件的編碼格式正確讀取后產(chǎn)生class文件，這里的class文件編碼是Unicode編碼（具體說是UTF-16編碼）。
因此，在Java代碼中定義一個字符串：
String s="漢字";
不管在編譯前java文件使用何種編碼，在編譯后成class后，他們都是一樣的----Unicode編碼表示。
2、JVM中的編碼
JVM加載class文件讀取時候使用Unicode編碼方式正確讀取class文件，那么原來定義的String s="漢字";在內(nèi)存中的表現(xiàn)形式是Unicode編碼。
當調(diào)用String.getBytes()的時候，其實已經(jīng)為亂碼買下了禍根。因為此方法使用平臺默認的字符集來獲取字符串對應的字節(jié)數(shù)組。在WindowsXP中文版中，使用的默認編碼是GBK，不信運行下：
- public class Test {
- public static void main(String[] args) {
- System.out.println("當前JRE：" + System.getProperty("java.version"));
- System.out.println("當前JVM的默認字符集：" + Charset.defaultCharset());
- }
- }
當前JRE：1.6.0_16
當前JVM的默認字符集：GBK
當不同的系統(tǒng)、數(shù)據(jù)庫經(jīng)過多次編碼后，如果對其中的原理不理解，就容易導致亂碼。因此，在一個系統(tǒng)中，有必要對字符串的編碼做一個統(tǒng)一，這個統(tǒng)一模糊點說，就是對外統(tǒng)一。比如方法字符串參數(shù)，IO流，在中文系統(tǒng)中，可以統(tǒng)一使用GBK、GB13080、UTF-8、UTF-16等等都可以，只是要選擇有些更大字符集，以保證任何可能用到的字符都可以正常顯示，避免亂碼的問題。（假設對所有的文件都用ASCII碼）那么就無法實現(xiàn)雙向轉(zhuǎn)換了。
要特別注意的是，UTF-8并非能容納了所有的中文字符集編碼，因此，在特殊情況下，UTF-8轉(zhuǎn)GB18030可能會出現(xiàn)亂碼，然而一群傻B常常在做中文系統(tǒng)喜歡用UTF-8編碼而不說不出個所以然出來！最傻B的是，一個系統(tǒng)多個人做，源代碼文件有的人用GBK編碼，有人用UTF-8，還有人用GB18030。FK，都是中國人，也不是外包項目，用什么UTF-8啊，神經(jīng)！源代碼統(tǒng)統(tǒng)都用GBK18030就OK了，免得ANT腳本編譯時候提示不可認的字符編碼。
因此，對于中文系統(tǒng)來說，***選擇GBK或GB18030編碼（其實GBK是GB18030的子集），以便***限度的避免亂碼現(xiàn)象。
3、內(nèi)存中字符串的編碼
內(nèi)存中的字符串不僅僅局限于從class代碼中直接加載而來的字符串，還有一些字符串是從文本文件中讀取的，還有的是通過數(shù)據(jù)庫讀取的，還有可能是從字節(jié)數(shù)組構(gòu)建的，然而他們基本上都不是Unicode編碼的，原因很簡單，存儲優(yōu)化。
因此就需要處理各種各樣的編碼問題，在處理之前，必須明確“源”的編碼，然后用指定的編碼方式正確讀取到內(nèi)存中。如果是一個方法的參數(shù)，實際上必須明確該字符串參數(shù)的編碼，因為這個參數(shù)可能是另外一個日文系統(tǒng)傳遞過來的。當明確了字符串編碼時候，就可以按照要求正確處理字符串，以避免亂碼。
在對字符串進行解碼編碼的時候，應該調(diào)用下面的方法：
- getBytes(String charsetName)
- String(byte[] bytes, String charsetName)
而不要使用那些不帶字符集名稱的方法簽名，通過上面兩個方法，可以對內(nèi)存中的字符進行重新編碼。
原文鏈接：http://lavasoft.blog.51cto.com/62575/273608/
【編輯推薦】
