java 中String编码和byte 解码总结

我就是我 2022-05-14 03:19 204阅读 0赞

# [java 中String编码和byte 解码   ][java _String_byte _] #

http://wanxw2001.iteye.com/blog/1570339

1、InputStreamReader 是字节流通向字符流的桥梁：它使用指定的 charset 读取字节并将其解码为字符  
InputStreamReader(InputStream in, String charsetName)  
  
  
2、OutputStreamWriter 是字符流通向字节流的桥梁：可使用指定的 charset 将要写入流中的字符编码成字节。它使用的字符集可以由名称指定或显式给定，否则将接受平台默认的字符集。  
OutputStreamWriter(OutputStream out, String charsetName)  
  
3、String(byte\[\] bytes, Charset charset)  
通过使用指定的 charset解码指定的 byte数组，构造一个新的 String。  
  
4、byte\[\] getBytes(Charset charset)  
把JVM内存中unicode形式的String按encoding制定的编码，转成字节流  
使用给定的 charset 将此 String 编码到 byte 序列，并将结果存储到新的 byte 数组。  
  
5、URLEncoder。encode(String s, String enc)  
  
使用指定的编码机制将字符串转换为 application/x-www-form-urlencoded 格式。  
对 String 编码时，使用以下规则：  
  
字母数字字符 "a" 到 "z"、"A" 到 "Z" 和 "0" 到 "9" 保持不变。  
特殊字符 "."、"-"、"\*" 和 "\_" 保持不变。  
空格字符 " " 转换为一个加号 "+"。  
所有其他字符都是不安全的，因此首先使用一些编码机制将它们转换为一个或多个字节。然后每个字节用一个包含 3 个字符的字符串 "%xy" 表示，其中 xy 为该字节的两位十六进制表示形式。推荐的编码机制是 UTF-8。但是，出于兼容性考虑，如果未指定一种编码，则使用相应平台的默认编码。  
例如，使用 UTF-8 编码机制，字符串 "The string ü@foo-bar" 将转换为 "The+string+%C3%BC%40foo-bar"，因为在 UTF-8 中，字符 ü 编码为两个字节，C3 （十六进制）和 BC （十六进制），字符 @ 编码为一个字节 40 （十六进制）。  
  
6、URLDecoder.decode(String s, String enc)  
  
使用指定的编码机制对 application/x-www-form-urlencoded 字符串解码。  
转换中使用以下规则：  
  
字母数字字符 "a" 到 "z"、"A" 到 "Z" 和 "0" 到 "9" 保持不变。  
特殊字符 "."、"-"、"\*" 和 "\_" 保持不变。  
加号 "+" 转换为空格字符 " "。  
将把 "%xy" 格式序列视为一个字节，其中 xy 为 8 位的两位十六进制表示形式。然后，所有连续包含一个或多个这些字节序列的子字符串，将被其编码可生成这些连续字节的字符所代替。可以指定对这些字符进行解码的编码机制，或者如果未指定的话，则使用平台的默认编码机制。  
该解码器处理非法字符串有两种可能的方法。一种方法是不管该非法字符，另一种方法是抛出 IllegalArgumentException 异常。解码器具体采用哪种方法取决于实现。  
  
  
案例：  
1.JVM内部的String，Char都是用unicode存储(没有任何编码)，比如：  
"分"的unicode=20998(十进制）String=\[20998\]，String中有1个char  
"分享"的unicode=20998，20139 (十进制）String=\[20998，20139\]，String中有2个char  
无论系统编码是什么，"分"这个字在JVM中都是20998  
  
  
2.String.getBytes("encoding")的意思:  
把JVM内存中unicode形式的String按encoding制定的编码，转成字节流，比如汉字"分"：  
String="分"  
String.getBytes("utf-8")//把String转成utf-8字节流，汉字"分"为3个字节\[0xe5,0x88,0x86\]  
  
String.getBytes("gbk")//把String转成gbk字节流，汉字"分"为2个字节\[0xb7,0xd6\]  
  
String.getBytes()//按JVM默认编码转成字节流。linux，如果LANG=en\_US，就是iso8859-1，如果是windows eclipse就是UTF-8  
  
3.String std=new String(byte b\[\],"encoding")的意思  
把是encoding编码的字节流b，转换成String，比如：  
  
b=\[0xe5,0x88,0x86\]  
String std=new String(byte b\[\],"utf-8")//把utf-8的字节数组b，转成string。b中是3个字节的utf8编码。执行后string=\[20998\]  
  
b=\[0xb7,0xd6\]  
String std=new String(byte b\[\],"gbk")//把gbk的字节数组b，转成string。b中是2个字节的gbk编码。执行后string=\[20998\]  
  
  
4.在linux,LANG=en\_US的环境下打印utf8的汉字：  
因为终端（secretCRT）只能认单字节流的utf8，若以直接打印utf8的多字节String就会是“???”  
需要把utf8的string转换成单字节流编码的iso8859-1，secretCRT才能按utf8显示成汉字，比如：  
s1="分"//s1中有一个char=\[20998\]  
String s2=new String(s1.getBytes("utf-8"),"iso8859-1")//获取utf-8编码的s1字节流，并编码成iso8859-1,s2中有三个char，分别是\[0xe5,0x88,0x86\]  
println(s2)//在utf8终端控制台上打印s2  
  
如果终端（secretCRT）的显示编码是default(其实就是iso8859-1能显示GBK),那执行以下代码：  
s1="分"//s1中有一个char=\[20998\]  
String s2=new String(s1.getBytes("gbk"),"iso8859-1")//获取gbk编码的s1字节流，并编码成iso8859-1,s2中有两个char，分别是\[0xb7,0xd6\]  
println(s2)//在gbk终端控制台上打印s2  
  
在windows上，因为eclipse控制台系统默认编码是utf8。所以直接打印就可以了

# [Java中String与byte\[\]的转换][Java_String_byte] #

http://blog.csdn.net/lpali/article/details/5405203

做JAVA经常会碰到中文乱码问题，还有各种编码的问题，特别是String类的内容需要重新编码的问题。要解决这些问题，必须了解清楚JAVA对于字符串是怎么处理的。

1. “字符”是由数字来表示的

先来重新了解一下计算机是如何处理“字符”的，这个原理是大家必须记住的，特别是在用JAVA写程序的时候，万万不可模糊。我们知道，计算机把任何东西都用数字来表示，“字符”也不例外。比如我们要显示一个阿拉伯数字“3”，在我们的PC里，其实并不是仅仅用一个数字3来代表我们要写的“3”，而是以十六进制的0x33来代表，包括放在内存或者是写到文件里，其实都是写着0x33的，不信你可以编辑一个文本文件，写一个“3”，然后用ultraEdit看他的原始码。

2. 一切“字符”都必定用数字+编码表表示。  
这时候，有一个问题：为什么一定要用0x33来代表“3”呢？而不用0x43来代表呢？或者是直接用0x03来代替？其实用什么来代表都可以，只不过大家都习惯了用ASCII编码表（是美国国家信息交换表）来确定各字符应该是用什么数字代表的。同样，为了表示中国字，我国也指定了中文的编码表，其中最广泛使用的是GB2312。比如中文的“当”字，就是用0xB5, 0xB1这两个八位的数字来表示的。所以如果显示字符的程序不知道一列数字到底是按什么编码表编码的，他也无法去判断到底这些是什么文字。如果随便用一个不对的编码表来处理这些数字，处理出来的字符很可能完全是错的。比如在英文系统上，没有GB2312编码表，送给他一个0xB5,0xB1，他就傻傻的当作ASCII来处理（操作系统通常都有自己默认的编码表），结果显示出来就是两个奇怪的符号，因为这两个字在ASCII表里就是那两个符号。同样在繁体中文系统里，他的编码表是BIG5，显示出来也是一个奇怪的中文，不是“当”字。

3. UNICODE让全世界都说一种语言  
看完上面的文字，是否觉得，世界有那么多语言，每个都有自己的一套编码表，很麻烦呢？就算是中文，也有两套流行的编码表，一个是GB2312，一个是BIG5。要使用不同中文的编码的字符时，还要转来转去，的确很麻烦。不光这个，如果想要写一篇包含很多过国文字的文章，就麻烦了，必须要让处理这个文章的程序知道，哪个字是什么编码标准的。如果你想要在文章里找一个字，也必须指定你要找的是哪种编码的哪个字。否则，你要找一个0xB5,0xB1的中文“当”字，很可能把同样数字表示的日文、波兰文这些不相干的字一起给你找出来，够麻烦的吧！  
所以人们想，不如大家都用同一个编码标准吧，各种文字都在编码表里有一席之地，处理文字的程序只需要都按这个编码表来处理就可以了。不过要一个编码表里包含所有的文字，这张表就大了，本来英文字+数字一共只有128个以内。但加上中文后，忽然就多了数万个，所以存放一个字符需要的大小也大了很多。现在UNICODE规定了一个字符必须由2个8位数字来表示，想想，8x8x8x8x = 65536 ，是多大的一个数字啊！所以全世界的文字才能都包含进去。当然拉，也有人说中国字可能都不止6万个拉，还要包括别的文字，但人家外国人觉得你们中国人常用的也没那么多，所以就这么定了，我们也没办法。需要注意的是GB2312和UNICODE虽然都是用两个8位数来代表一个中文字，但具体的规格可不一样，比如0xB5,0xB1在UNICODE里面可不是“当”字，而是另外一国的文字来的。

4. C是如何简洁的处理字符的

我们来谈谈C的字符串。C语言诞生在JAVA之前，C语言的基本数据类型是没有字符串这个类型的，它只有char\[\]。也就是C把字符顺序放入一个字节数组就完了。而且C也不管放在数组里的是什么文字，也不管那些字是按什么编码标准的。而且他的char的大小也不一定是8位数字，有时候是16位也可能，这要看具体的机器和操作系统。所以写程序的人必须要知道正在处理的char\[\]的内容到底是按什么编码表表示的字符串，要知道如果比较两国文字是否相同，可是没任何意义的哦！

5. JAVA是是如何处理字符的。  
世界总会进步的，JAVA就是一个例子。JAVA终于有了String类了，它是解决字符问题的最好工具。在JAVA里，一个基本的要点是：String类对象是不需要指定编码表的！为什么它会自己知道一堆数字各代表什么字符呢？就是因为String里的字符信息是用UNICODE编码存放的。而JAVA为了表示字符（注意是单个字符），也有char这个数据类型，而且他的大小是固定2个8位16进制数字长度，也就是0~65535罗。为的就是对应UNICODE里面的一个字符。大家如果想取一个String里的按UNICODE数字，可以用getChars(int srcBegin, int srcEnd, char\[\] dst, int dstBegin) 方法取得一个char\[\]，这个char\[\]里就是表示String字符的，按UNICODE编码表编码的数字。  
可惜现在绝大多数的系统和程序都不是按UNICODE来处理字符，而JAVA程序总是要和别的程序和系统交换数据的，所以在接收一个字符，或者是发送一个字符的时候，就必须要留意当前系统和UNICODE的关系了。比如你从网络或者文件接受到一数字：0xB5,0xB1，JAVA程序并不知道这两个字到底是中文呢？还是日文，或者英文。你如果不指明这个两个数字的编码表，JAVA就会按当前系统默认的编码表来处理。如果这两个数字是从中文WIN98发出去的，JAVA程序又是在英文LINUX上运行的，那就出现了所谓的乱码问题了。也就是JAVA按英文的编码表ASCII来处理这两个数字，当通过new String(\{0xB5,0xB1\})得到的String的时候，这个String代表的已经不是中文的“当”字，而是两个英文的奇怪字符了。不过如果你知道这两个数字一定是中文的话，就可以指定用new String(\{0xB5,0xB1\},"GB2312")来处理，这时候新建立的String才真的是一个“当”字。当然拉，如果你要把一个“当”字的JAVA的String显示在中文WIN98上，必须把这个字输出成两个8位数字：0xB5,0xB1，不管是写成文件还是输出到浏览器上，都必须是0xB5,0xB1。如何把“当”字用GB2312输出？String.getBytes("GB2312")就可以拉！所以有一点要记住：**和外界交换任何信息都是以byte\[\]来进行的！**。你可以留意一下JAVA大多数的I/O类，都有以byte\[\]作为参数和返回值的方法。不过，也有很多写的比较糊涂的程序，没有提供byte\[\]交换信息的方法，害的不同文字平台的程序员很头疼。Servlet的HttpRequest.getParameter()就是这样。好在有的JSP/SERVLET容易还提供先指定编码表的方法，才能比较简单的解决这个问题。

6. 网上关于JAVA中文问题的一些错误处理方法。  
一个是最常见的，不管什么内容，都用new String(...,"ISO-8859-1")来建立字符串，然后使用的时候按默认的编码格式（通常在服务器上都是英文系统）输出字符串。这样其实你使用的String并不是按UNICODE来代表真正的字符，而是强行把BYTE数组复制到String的char\[\]里，一旦你的运行环境改变，你就被迫要修改一大堆的代码。而且也无法在同一个字符串里处理几种不同编码的文字。  
另一个是把一种编码格式的字符串，比如是GB2312，转换成另一种格式的字符串，比如UTF-8，然后不指明是UTF-8编码，而直接用new String(...)来建立String，这样放在String里面的字符也是无法确定的，它在不同的系统上代表不同的字符。如果要求别人用“UTF-8格式”的String来交换信息的时候，其实已经破坏了JAVA为了兼容各种语言所做的规定。这种错误的本质思想是还按写C语言的方式，把字符串纯粹当作可以自己自由编码的存储器使用，而忽略了JAVA字符串只有一种编码格式。如果真的想自由编码，用byte\[\]或者char\[\]就完全了解决问题的了。

以上，除了是解决JAVA中文问题的基础知识外，也是多年前应该掌握的计算机基础知识。温故而知新，以期共勉。

# Java中byte\[\]转String问题 #

http://hi.baidu.com/cmdmac/item/9a6cf9dc3254dfe6795daaa9

最近的项目中要使用到把byte\[\]类型转换成String字符串然后通过网络发送，但发现发现出去的字符串和获取的字符串虽然是一样的，但当用String的getBytes()的方法得到的byte\[\]跟原来的byte\[\]是不一样的。

看如下代码：

byte bytes\[\] = new byte\[\] \{ 50, 0, -1, 28, -24 \};

String string = new String(bytes);

byte\[\] ret = string.getBytes();

查看ret的数据发现是50, 0, -17, -65, -67, 28, -17, -65, -67,发现数据并不是原来的数据。

而使用如下代码就可以得到原来的数据：

byte bytes\[\] = new byte\[\] \{ 50, 0, -1, 28, -24 \};

String isoString = new String(bytes, "ISO-8859-1");

byte\[\] isoret = isoString.getBytes("ISO-8859-1");

这是为什么呢？原因是第一种方法默认是用UTF-8编码来生成String的，用System.getProperty("sun.jnu.encoding")可以得到Android默认编码是UTF-8。UTF-8是可变长度的编码，原来的字节数组就被改变了。而ISO8859-1通常叫做Latin-1，Latin-1包括了书写所有西方欧洲语言不可缺少的附加字符，其中 0~127的字符与ASCII码相同，它是单字节的编码方式，这样第二种方式生成的String里的字节数组就跟原来的字节数组一样。在new String使用其他编码如GBK,GB2312的话一样也会导致字节数组发生变化，因此要想获取String里单字节数组，就应该使用iso8859-1编码。

[java _String_byte _]: http://wanxw2001.iteye.com/blog/1570339
[Java_String_byte]: http://blog.csdn.net/lpali/article/details/5405203