首先說明這裡指的是Java中的String，雖然我已經決定轉戰C/C++了，但是因為今天碰到一個問題，還是來看一下。String的定義如下：
代碼如下：
public final class String
{
private final char value[]; // 保存的字符串
private final int offset; // 開始的位置
private final int count; // 字符數目
private int hash; // 緩存的hash值
......
}
在Debug的時候可以看到保存的值如下：
需要說明一下的是：如果沒有調用過hashCode()，那麼hash的值為0。容易知道這裡的value也就是真正保存的字符串的值（也就是“字符串測試”）的char數組，而每個char的值是多少呢？很容易驗證：Unicode。
到這裡大家也就猜到我們常用的subString是怎麼實現的了：如果是讓我們實現的話讓new String使用相同的value（char數組），只修改offset和count就可以了。這樣的話既省空間又快（不需要拷貝），而事實上也是這樣的：
代碼如下：
public String substring(int beginIndex) {
return substring(beginIndex, count);
}
public String substring(int beginIndex, int endIndex) {
......
return ((beginIndex == 0) && (endIndex == count)) ? this :
new String(offset + beginIndex, endIndex - beginIndex, value);
}
String(int offset, int count, char value[]) {
this.value = value;
this.offset = offset;
this.count = count;
}
既然是在討論字符串，JVM默認使用的是什麼編碼呢？通過調試可以發現：
代碼如下：
public static Charset defaultCharset() {
if (defaultCharset == null) {
synchronized (Charset.class) {
java.security.PrivilegedAction pa = new GetPropertyAction("file.encoding");
String csn = (String)AccessController.doPrivileged(pa);
Charset cs = lookup(csn);
if (cs != null)
defaultCharset = cs;
else
defaultCharset = forName("UTF-8");
}
}
其中defaultCharset的值可以通過：
-Dfile.encoding=utf-8
進行設置。當然如果你想設置為“abc”也可以，但會默認設置為UTF-8。可以通過System.getProperty("file.encoding")來看具體的值。看defaultCharset是為什麼呢？因為網絡傳輸的過程中應該都是byte數組，不同的編碼方式得到的byte數組可能是不相同的。所以，我們得知道編碼方式是怎麼得到的吧？具體得到byte數組的方法也就是我們下面重點要看的getBytes了，它最終要調用的是CharsetEncoder的encode方法，如下：
代碼如下：
public final CoderResult encode(CharBuffer in, ByteBuffer out, boolean endOfInput) {
int newState = endOfInput ? ST_END : ST_CODING;
if ((state != ST_RESET) && (state != ST_CODING) && !(endOfInput && (state == ST_END)))
throwIllegalStateException(state, newState);
state = newState;
for (;;) {
CoderResult cr;
try {
cr = encodeLoop(in, out);
} catch (BufferUnderflowException x) {
throw new CoderMalfunctionError(x);
} catch (BufferOverflowException x) {
throw new CoderMalfunctionError(x);
}
if (cr.isOverflow())
return cr;
if (cr.isUnderflow()) {
if (endOfInput && in.hasRemaining()) {
cr = CoderResult.malformedForLength(in.remaining());
} else {
return cr;
}
}
CodingErrorAction action = null;
if (cr.isMalformed())
action = malformedInputAction;
else if (cr.isUnmappable())
action = unmappableCharacterAction;
else
assert false : cr.toString();
if (action == CodingErrorAction.REPORT)
return cr;
if (action == CodingErrorAction.REPLACE) {
if (out.remaining() < replacement.length)
return CoderResult.OVERFLOW;
out.put(replacement);
}
if ((action == CodingErrorAction.IGNORE) || (action == CodingErrorAction.REPLACE)) {
in.position(in.position() + cr.length());
continue;
}
assert false;
}
}
當然首先會根據需要的編碼格式選擇對應的CharsetEncoder，而最主要的是不同的CharsetEncoder實現了不同的encodeLoop方法。這裡可能會不明白為什麼這裡有個for(;;)？其實看CharsetEncoder所處的包（nio）和它的參數也就大概明白了：這個函數是可以處理流的（雖然我們這裡使用的時候不會循環）。
在encodeLoop方法中會將盡可能多的char轉換為byte，new String差不多就是上面的逆過程。
在實際的開發過程中經常會遇到亂碼問題：
在上傳文件的時候取到文件名；
JS傳到後端的字符串；
首先先嘗試下下面代碼的的運行結果：
代碼如下：
public static void main(String[] args) throws Exception {
String str = "字符串";
// -41 -42 -73 -5 -76 -82
printArray(str.getBytes());
// -27 -83 -105 -25 -84 -90 -28 -72 -78
printArray(str.getBytes("utf-8"));
// ???
System.out.println(new String(str.getBytes(), "utf-8"));
// 瀛楃涓?
System.out.println(new String(str.getBytes("utf-8"), "gbk"));
// 字符??
System.out.println(new String("瀛楃涓?".getBytes("gbk"), "utf-8"));
// -41 -42 -73 -5 63 63
printArray(new String("瀛楃涓?".getBytes("gbk"), "utf-8").getBytes());
}
public static void printArray(byte[] bs){
for(int i = 0; i < bs.length; i++){
System.out.print(bs[i] + " ");
}
System.out.println();
}
在程序中的注釋中說明了輸出結果：
因為GBK中2個byte表示一個漢字，所以就有了6個byte；
因為UTF-8中3個byte表示一個漢字，所以就有了9個byte；
因為通過無法通過GBK生成的byte數組再根據UTF-8的規則去生成字符串，所以顯示???；
這個是經常遇到亂碼的原因，GBK使用UTF-8生成的byte能生成字符串；
雖然上面生成的是亂碼，但是電腦並不這麼認為，所以還是能通過getBytes得到字節數組，而這個數組中是utf-8是可以識別的；
最後的兩個63（?）應該是encode填充的（或者是字節不夠直接填充的，這個地方沒有細看）；
GBK和UTF-8對於因為字母和數字的編碼是相同的，所以在這幾種字符的處理上是不會出現亂碼的，但是他們對漢字的編碼確實不一樣的，這就是很多問題的起源，看下面代碼：
new String(new String("我們".getBytes("UTF-8"), "GBK").getBytes("GBK"), "UTF-8);
顯然這段代碼的結果是“我們”，但是對我們有什麼用？首先我們注意到：
new String("我們".getBytes("UTF-8"), "GBK")；
這段代碼的結果是亂碼，而且很多的亂碼都是“亂成這樣的”。但是要記住：這裡的亂是對我們而言，對電腦來說無所謂“亂”與“不亂”，它在我們幾乎放棄的時候還能從亂碼中通過“getBytes("GBK")”得到它的“主心骨”，然後我們就可以用“主心骨”還原出原來的字符串。
貌似上面的這段代碼能解決“GBK”和“UTF-8”之間的亂碼問題，但是這種解決方法也只限於一種特殊情況：所有連續漢字的個數都是偶數個！原因在上面已經說過了，這裡就不贅述了。
那麼怎麼解決這個問題呢？
第一種解決方法：encodeURI 為什麼要用這種方法呢？原因很簡單：GBK和UTF-8對於%、數字、字母的編碼是統一的，所以在傳輸encode之後的串可以100%保證在這兩種編碼下得到的是同一個東西，然後再decode得到字符串就可以。根據String的格式可以猜測encode和decode的效率是非常非常高的，所以這也算是一種很好的解決方法了。
第二種解決方法：統一編碼格式 這邊使用的是Webx礦建，只需要將webx.xml中設置defaultCharset="UTF-8"就可以了。
