Java与Unicode

Java与Unicode： 
Java的class文件采用utf8的编码方式，JVM运行时采用utf16。Java的字符串是unicode编码的。总之，Java采用了unicode字符集，使之易于国际化。

Java支持哪些字符集： 
即Java能识别哪些字符集并对它进行正确地处理？查看Charset 类，最新的JDK支持160种字符集。可以通过static方法availableCharsets拿到所有Java支持的字符集。

assertEquals(160, Charset.availableCharsets().size());
Set<String> charsetNames = Charset.availableCharsets().keySet();
assertTrue(charsetNames.contains("utf-8"));
assertTrue(charsetNames.contains("utf-16"));
assertTrue(charsetNames.contains("gb2312"));
assertTrue(Charset.isSupported("utf-8"));

 

需要在哪些时候注意编码问题？

1.从外部资源读取数据：
这跟外部资源采取的编码方式有关，我们需要使用外部资源采用的字符集来读取外部数据：

InputStream is = new FileInputStream("res/input2.data");
InputStreamReader streamReader = new InputStreamReader(is, "GB18030");

 

这里可以看到，我们采用了GB18030编码读取外部数据，通过查看streamReader的encoding可以印证：

assertEquals("GB18030", streamReader.getEncoding());

 

正是由于上面我们为外部资源指定了正确的编码，当它转成char数组时才能正确地进行解码（GB18030 -> unicode）：

char[] chars = new char[is.available()];
streamReader.read(chars, 0, is.available());

 

但我们经常写的代码就像下面这样：

InputStream is = new FileInputStream("res/input2.data");
InputStreamReader streamReader = new InputStreamReader(is);

 

这时候InputStreamReader采用什么编码方式读取外部资源呢？Unicode？不是，这时候采用的编码方式是JVM的默认字符集，这个默认字符集在虚拟机启动时决定，通常根据语言环境和底层操作系统的 charset 来确定。可以通过以下方式得到JVM的默认字符集：

Charset.defaultCharset();

 

为什么要这样？因为我们从外部资源读取数据，而外部资源的编码方式通常跟操作系统所使用的字符集一样，所以采用这种默认方式是可以理解的。
好吧，那么我通过我的IDE Ideas创建了一个文件，并以JVM默认的编码方式从这个文件读取数据，但读出来的数据竟然是乱码。为何？呵呵，其实是因为通过Ideas创建的文件是以utf-8编码的。要得到一个JVM默认编码的文件，通过手工创建一个txt文件试试吧。

2.字符串和字节数组的相互转换
我们通常通过以下代码把字符串转换成字节数组：

"string".getBytes();

 

但你是否注意过这个转换采用的编码呢？其实上面这句代码跟下面这句是等价的：

"string".getBytes(Charset.defaultCharset());

 

也就是说它根据JVM的默认编码（而不是你可能以为的unicode）把字符串转换成一个字节数组。
反之，如何从字节数组创建一个字符串呢？

new String("string".getBytes());

 

同样，这个方法使用平台的默认字符集解码字节的指定数组（这里的解码指从一种字符集到unicode）。

字符串编码迷思：

new String(input.getBytes("ISO-8859-1"), "GB18030")

 

上面这段代码代表什么？有人会说： “把input字符串从ISO-8859-1编码方式转换成GB18030编码方式”。如果这种说法正确，那么又如何解释我们刚提到的java字符串都采用unicode编码呢？
这种说法不仅是欠妥的，而且是大错特错的，让我们一一来分析，其实事实是这样的：我们本应该用GB18030的编码来读取数据并解码成字符串，但结果却采用了ISO-8859-1的编码，导致生成一个错误的字符串。要恢复，就要先把字符串恢复成原始字节数组，然后通过正确的编码GB18030再次解码成字符串（即把以GB18030编码的数据转成unicode的字符串）。注意，字符串永远都是unicode编码的。
但编码转换并不是负负得正那么简单，这里我们之所以可以正确地转换回来，是因为 ISO8859-1 是单字节编码，所以每个字节被按照原样 转换为 String ，也就是说，虽然这是一个错误的转换，但编码没有改变，所以我们仍然有机会把编码转换回来！ 

总结： 
所以，我们在处理java的编码问题时，要分清楚三个概念：Java采用的编码：unicode，JVM平台默认字符集和外部资源的编码。

 

程序示例：

public static void main(String args[])
    {
        System.out.println("default charset : "+Charset.defaultCharset());
        String str = "abc你好";//string with UTF-8 charset

        byte[] bytes = str.getBytes(Charset.forName("UTF-8"));//convert to byte array with UTF-8 encode
        for (byte b : bytes)
        {
            System.out.print(b + " ");
        }
        System.out.println();
        try
        {
            String str1 = new String(bytes, "UTF-8");//to UTF-8 string
            String str2 = new String(bytes, "ISO-8859-1");//to ISO-8859-1 string
            String str3 = new String(bytes, "GBK");//to GBK string

            System.out.println(str1);//abc你好
            System.out.println(str2);//abc??????
            System.out.println(str3);//abc浣犲ソ

            System.out.println();
            byte[] bytes2 = str2.getBytes(Charset.forName("ISO-8859-1"));
            for (byte b : bytes2)
            {
                System.out.print(b + " ");
            }
            System.out.println();
            String str22 = new String(bytes2, "UTF-8");
            System.out.println(str22);//abc你好

            System.out.println();
            byte[] bytes3 = str3.getBytes(Charset.forName("GBK"));
            for (byte b : bytes3)
            {
                System.out.print(b + " ");
            }
            System.out.println();
            String str33 = new String(bytes3, "UTF-8");
            System.out.println(str33);//abc你好
        } catch (UnsupportedEncodingException e)
        {
            e.printStackTrace();
        }
    }

 

运行结果：

default charset : GBK
97 98 99 -28 -67 -96 -27 -91 -67
abc你好
abc??????
abc浣犲ソ

97 98 99 -28 -67 -96 -27 -91 -67
abc你好

97 98 99 -28 -67 -96 -27 -91 -67
abc你好