Java開發中,常常會遇到亂碼的問題,一旦遇到這種問題,常常就很扯蛋,每個人都不願意承認是自己的代碼有問題。其實編碼問題並沒有那麼神秘,那麼不可捉摸,搞清Java的編碼本質過程就真相大白了。
先看個圖:
其實,編碼問題存在兩個方面:JVM之內和JVM之外。
1、Java文件編譯後形成class
這裡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後產生class文件,這裡的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,在編譯後成class後,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,那麼原來定義的String s="漢字";在內存中的表現形式是Unicode編碼。
當調用String.getBytes()的時候,其實已經為亂碼買下了禍根。因為此方法使用平台默認的字符集來獲取字符串對應的字節數組。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、數據庫經過多次編碼後,如果對其中的原理不理解,就容易導致亂碼。因此,在一個系統中,有必要對字符串的編碼做一個統一,這個統一模糊點說,就是對外統一。比如方法字符串參數,IO流,在中文系統中,可以統一使用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)那麼就無法實現雙向轉換了。
要特別注意的是,UTF-8並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GB18030可能會出現亂碼,然而一群傻B常常在做中文系統喜歡用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,用什麼UTF-8啊,神經!源代碼統統都用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,對於中文系統來說,最好選擇GBK或GB18030編碼(其實GBK是GB18030的子集),以便最大限度的避免亂碼現象。
3、內存中字符串的編碼
內存中的字符串不僅僅局限於從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,還有的是通過數據庫讀取的,還有可能是從字節數組構建的,然而他們基本上都不是Unicode編碼的,原因很簡單,存儲優化。
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,然後用指定的編碼方式正確讀取到內存中。如果是一個方法的參數,實際上必須明確該字符串參數的編碼,因為這個參數可能是另外一個日文系統傳遞過來的。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,可以對內存中的字符進行重新編碼。