java设置字符串编码（java字符串指定编码）
简介
字符串是我们日常编码过程中使用到最多的java类型了。全球各个地区的语言不同，即使使用了unicode也会因为编码格式的不同采用不同的编码方式，如utf-8，utf-16，utf-32等。
我们在使用字符和字符串编码的过程中会遇到哪些问题呢？一起来看看吧。
使用变长编码的不完全字符来创建字符串
在java中string的底层存储char[]是以utf-16进行编码的。
注意，在jdk9之后，string的底层存储已经变成了byte[]。
stringbuilder和stringbuffer还是使用的是char[]。
那么当我们在使用inputstreamreader，outputstreamwriter和string类进行string读写和构建的时候，就需要涉及到utf-16和其他编码的转换。
我们来看一下从utf-8转换到utf-16可能会遇到的问题。
先看一下utf-8的编码：
utf-8使用1到4个字节表示对应的字符，而utf-16使用2个或者4个字节来表示对应的字符。
转换起来可能会出现什么问题呢？
public string readbytewrong(inputstream inputstream) throws ioexception {
byte[] data = new byte[1024];
int offset = 0;
int bytesread = 0;
string str="";
while ((bytesread = inputstream.read(data, offset, data.length - offset)) != -1) {
str += new string(data, offset, bytesread, "utf-8");
offset += bytesread;
if (offset >= data.length) {
throw new ioexception("too much input");
}
}
return str;
}
上面的代码中，我们从stream中读取byte，每读一次byte就将其转换成为string。很明显，utf-8是变长的编码，如果读取byte的过程中，恰好读取了部分utf-8的代码，那么构建出来的string将是错误的。
我们需要下面这样操作：
public string readbytecorrect(inputstream inputstream) throws ioexception {
reader r = new inputstreamreader(inputstream, "utf-8");
char[] data = new char[1024];
int offset = 0;
int charread = 0;
string str="";
while ((charread = r.read(data, offset, data.length - offset)) != -1) {
str += new string(data, offset, charread);
offset += charread;
if (offset >= data.length) {
throw new ioexception("too much input");
}
}
return str;
}
我们使用了inputstreamreader，reader将会自动把读取的数据转换成为char，也就是说自动进行utf-8到utf-16的转换。
所以不会出现问题。
char不能表示所有的unicode
因为char是使用utf-16来进行编码的，对于utf-16来说，u+0000 to u+d7ff 和 u+e000 to u+ffff，这个范围的字符，可以直接用一个char来表示。
但是对于u+010000 to u+10ffff是使用两个0xd800–0xdbff和0xdc00–0xdfff范围的char来表示的。
这种情况下，两个char合并起来才有意思，单独一个char是没有任何意义的。
考虑下面的我们的的一个substring的方法，该方法的本意是从输入的字符串中找到第一个非字母的位置，然后进行字符串截取。
public static string substringwrong(string string) {
char ch;
int i;
for (i = 0; i < string.length(); i += 1) {
ch = string.charat(i);
if (!character.isletter(ch)) {
break;
}
}
return string.substring(i);
}
上面的例子中，我们一个一个的取出string中的char字符进行比较。如果遇到u+010000 to u+10ffff范围的字符，就可能报错，误以为该字符不是letter。
我们可以这样修改：
public static string substringcorrect(string string) {
int ch;
int i;
for (i = 0; i < string.length(); i += character.charcount(ch)) {
ch = string.codepointat(i);
if (!character.isletter(ch)) {
break;
}
}
return string.substring(i);
}
我们使用string的codepointat方法，来返回字符串的unicode code point，然后使用该code point来进行isletter的判断就好了。
注意locale的使用
为了实现国际化支持，java引入了locale的概念，而因为有了locale，所以会导致字符串在进行转换的过程中，产生意想不到变化。
考虑下面的例子：
public void touppercasewrong(string input){
if(input.touppercase().equals("joker")){
system.out.println("match!");
}
}
我们期望的是英语，如果系统设置了locale是其他语种的话，input.touppercase()可能得到完全不一样的结果。
幸好，touppercase提供了一个locale的参数，我们可以这样修改：
public void touppercaseright(string input){
if(input.touppercase(locale.english).equals("joker")){
system.out.println("match!");
}
}
同样的， dateformat也存在着问题：
public void getdateinstancewrong(date date){
string mystring = dateformat.getdateinstance().format(date);
}
public void getdateinstanceright(date date){
string mystring = dateformat.getdateinstance(dateformat.medium, locale.us).format(date);
}
我们在进行字符串比较的时候，一定要考虑到locale影响。
文件读写中的编码格式
我们在使用inputstream和outputstream进行文件对写的时候，因为是二进制，所以不存在编码转换的问题。
但是如果我们使用reader和writer来进行文件的对象，就需要考虑到文件编码的问题。
如果文件是utf-8编码的，我们是用utf-16来读取，肯定会出问题。
考虑下面的例子：
public void fileoperationwrong(string inputfile,string outputfile) throws ioexception {
bufferedreader reader = new bufferedreader(new filereader(inputfile));
printwriter writer = new printwriter(new filewriter(outputfile));
int line = 0;
while (reader.ready()) {
line++;
writer.println(line + ": " + reader.readline());
}
reader.close();
writer.close();
}
我们希望读取源文件，然后插入行号到新的文件中，但是我们并没有考虑到编码的问题，所以可能会失败。
上面的代码我们可以修改成这样：
bufferedreader reader = new bufferedreader(new inputstreamreader(new fileinputstream(inputfile), charset.forname("utf8")));
printwriter writer = new printwriter(new outputstreamwriter(new fileoutputstream(outputfile), charset.forname("utf8")));
通过强制指定编码格式，从而保证了操作的正确性。
不要将非字符数据编码为字符串
我们经常会有这样的需求，就是将二进制数据编码成为字符串string，然后存储在数据库中。
二进制是以byte来表示的，但是从我们上面的介绍可以得知不是所有的byte都可以表示成为字符。如果将不能表示为字符的byte进行字符的转化，就有可能出现问题。
看下面的例子：
public void convertbigintegerwrong(){
biginteger x = new biginteger("1234567891011");
system.out.println(x);
byte[] bytearray = x.tobytearray();
string s = new string(bytearray);
bytearray = s.getbytes();
x = new biginteger(bytearray);
system.out.println(x);
}
上面的例子中，我们将biginteger转换为byte数字（大端序列），然后再将byte数字转换成为string。最后再将string转换成为biginteger。
先看下结果：
1234567891011
80908592843917379
发现没有转换成功。
虽然string可以接收第二个参数，传入字符编码，目前java支持的字符编码是：ascii，iso-8859-1,utf-8,utf-8be, utf-8le,utf-16，这几种。默认情况下string也是大端序列的。
上面的例子怎么修改呢？
public void convertbigintegerright(){
biginteger x = new biginteger("1234567891011");
string s = x.tostring(); //转换成为可以存储的字符串
byte[] bytearray = s.getbytes();
string ns = new string(bytearray);
x = new biginteger(ns);
system.out.println(x);
}
我们可以先将biginteger用tostring方法转换成为可以表示的字符串，然后再进行转换即可。
我们还可以使用base64来对byte数组进行编码，从而不丢失任何字符，如下所示：
public void convertbigintegerwithbase64(){
biginteger x = new biginteger("1234567891011");
byte[] bytearray = x.tobytearray();
string s = base64.getencoder().encodetostring(bytearray);
bytearray = base64.getdecoder().decode(s);
x = new biginteger(bytearray);
system.out.println(x);
}
本文的代码：
learn-java-base-9-to-20/tree/master/security
本文已收录于
http://www.flydean.com/java-security-code-line-string/最通俗的解读，最深刻的干货，最简洁的教程，众多你不知道的小技巧等你来发现！
欢迎关注我的公众号:「程序那些事」,懂技术，更懂你！