java String.getBytes()編碼問題——String.getBytes(charset)

String的getBytes()方法是得到一個字串的字節數組，這是眾所周知的。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，你會發現在一個平台上運行良好的系統，放到另外一台機器后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); 

} 

}

在一個中文WindowsXP系統下，運行時，結果為：

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，將在后續操作中引起問題。為什么在一個系統中結果為12，而在另外一個卻變成了9了呢？上面已經提到了，該方法是和平台（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，各占兩個字節。而在英文平台中，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); 

} 

}

不管你在任何平台上執行，都會有相同的輸出：

 

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

編譯后生成的.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，為了避免這種問題，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，看看會有什么結果：

package org.bruce.file.handle.experiment;  
  
class TestCharset3 {  
    public static void main(String[] args) {  
        new TestCharset3().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會把字節擴展為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 63 

hex 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 -95 

hex 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為9，中文字符都變成了“63”，ASCII碼為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，上面布滿了“?”，就是因為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，以后需要還原為中文字串時，可以使用下面方法：

 

new String(byte[] bytes, String charset)

 

　　 mysql 不支持 unicode，所以比較麻煩。
　　 將 connectionString 設置成 encoding 為 gb2312
　　 String connectionString
　　 = "jdbc:mysql://localhost/test?useUnicode=true&characterEncoding=gb2312";
　　
　　測試代碼：
　　 String str = "漢字";
　　 PreparedStatement pStmt = conn.prepareStatement("INSERT INTO test VALUES (?)");
　　 pStmt.setString(1,str);
　　 pStmt.executeUpdate();
　　
　　 數據庫表格：
　　 create table test (
　　 name char(10)
　　 )
　　
　　
　　連接  Oracle Database Server
　　-------------------------------------------------------------------------------
　　 在把漢字字符串插入數據庫前做如下轉換操作：
　　 String(str.getBytes("ISO8859_1"),"gb2312")
　　
　　測試代碼：
　　 String str = "漢字";
　　 PreparedStatement pStmt = conn.prepareStatement("INSERT INTO test VALUES (?)");
　　 pStmt.setString(1,new String(str.getBytes("ISO8859_1"),"gb2312");
　　 pStmt.executeUpdate();
　　
　　
　　Servlet
　　-------------------------------------------------------------------------------
　　 在 Servlet 開頭加上兩句話：
　　 response.setContentType("text/html;charset=UTF-8");
　　 request.setCharacterEncoding("UTF-8");
　　
　　JSP
　　-------------------------------------------------------------------------------

 

@Test  
    public void testBytes(){  
        //字節數  
        //中文：ISO:1 GBK：2 UTF-8:3     
        //數字或字母： ISO:1 GBK:1 UTF-8:1  
        String username = "中";  
        try {  
            //得到指定編碼的字節數組    字符串--->字節數組  
            byte[] u_iso=username.getBytes("ISO8859-1");  
            byte[] u_gbk=username.getBytes("GBK");  
            byte[] u_utf8=username.getBytes("utf-8");  
            System.out.println(u_iso.length);  
            System.out.println(u_gbk.length);  
            System.out.println(u_utf8.length);  
            //跟上面剛好是逆向的，字節數組---->字符串  
            String un_iso=new String(u_iso, "ISO8859-1");  
            String un_gbk=new String(u_gbk, "GBK");  
            String un_utf8=new String(u_utf8, "utf-8");  
            System.out.println(un_iso);  
            System.out.println(un_gbk);  
            System.out.println(un_utf8);          
            //有時候必須是iso字符編碼類型，那處理方式如下  
            String un_utf8_iso=new String(u_utf8, "ISO8859-1");       
            //將iso編碼的字符串進行還原  
            String un_iso_utf8=new String(un_utf8_iso.getBytes("ISO8859-1"),"UTF-8");  
            System.out.println(un_iso_utf8);                  
              
        } catch (UnsupportedEncodingException e) {  
            // TODO Auto-generated catch block  
            e.printStackTrace();  
        }  
    }  

測試結果：

 

1
 2
 3
 ?
 中
 中
 ä¸­
 中

從轉載的文章摘：

亂碼原因：為什么使用ISO8859-1編碼再組合之后,無法還原"中"字呢,其實原因很簡單,因為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.

有時候,為了讓中文字符適應某些特殊要求(如http header頭要求其內容必須為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后,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.

轉自：http://blog.csdn.net/yang3wei/article/details/7381578          http://blog.csdn.net/techbirds_bao/article/details/8555449