欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Java字符编码原理(动力节点Java学院整理)

程序员文章站 2024-03-03 14:38:46
java开发中,常常会遇到乱码的问题,一旦遇到这种问题,常常比较烦恼,大家都不愿意承认是自己的代码有问题。其实编码问题并没有那么神秘,那么不可捉摸,搞清java的编码本质过...

java开发中,常常会遇到乱码的问题,一旦遇到这种问题,常常比较烦恼,大家都不愿意承认是自己的代码有问题。其实编码问题并没有那么神秘,那么不可捉摸,搞清java的编码本质过程就真相大白了。

先看个图:

Java字符编码原理(动力节点Java学院整理)

其实,编码问题存在两个方面:jvm之内和jvm之外。

1、java文件编译后形成class

这里java文件的编码可能有多种多样,但java编译器会自动将这些编码按照java文件的编码格式正确读取后产生class文件,这里的class文件编码是unicode编码(具体说是utf-16编码)。

 因此,在java代码中定义一个字符串:

string s="汉字";

不管在编译前java文件使用何种编码,在编译后成class后,他们都是一样的----unicode编码表示。

2、jvm中的编码

jvm加载class文件读取时候使用unicode编码方式正确读取class文件,那么原来定义的string s="汉字";在内存中的表现形式是unicode编码。

当调用string.getbytes()的时候,其实已经为乱码买下了祸根。因为此方法使用平台默认的字符集来获取字符串对应的字节数组。在windowsxp中文版中,使用的默认编码是gbk,不信运行下:

public class test { 
 public static void main(string[] args) { 
  system.out.println("当前jre:" + system.getproperty("java.version")); 
  system.out.println("当前jvm的默认字符集:" + charset.defaultcharset()); 
 } 
}

当前jre:1.8.0_16

当前jvm的默认字符集:gbk

当不同的系统、数据库经过多次编码后,如果对其中的原理不理解,就容易导致乱码。因此,在一个系统中,有必要对字符串的编码做一个统一,这个统一模糊点说,就是对外统一。比如方法字符串参数,io流,在中文系统中,可以统一使用gbk、gb13080、utf-8、utf-16等等都可以,只是要选择有些更大字符集,以保证任何可能用到的字符都可以正常显示,避免乱码的问题。(假设对所有的文件都用ascii码)那么就无法实现双向转换了。

要特别注意的是,utf-8并非能容纳了所有的中文字符集编码,因此,在特殊情况下,utf-8转gb18030可能会出现乱码,然而一群傻b常常在做中文系统喜欢用utf-8编码而不说不出个所以然出来!最傻b的是,一个系统多个人做,源代码文件有的人用gbk编码,有人用utf-8,还有人用gb18030。fk,都是中国人,也不是外包项目,用什么utf-8啊,神经!源代码统统都用gbk18030就ok了,免得ant脚本编译时候提示不可认的字符编码。

因此,对于中文系统来说,最好选择gbk或gb18030编码(其实gbk是gb18030的子集),以便最大限度的避免乱码现象。

3、内存中字符串的编码

内存中的字符串不仅仅局限于从class代码中直接加载而来的字符串,还有一些字符串是从文本文件中读取的,还有的是通过数据库读取的,还有可能是从字节数组构建的,然而他们基本上都不是unicode编码的,原因很简单,存储优化。 

因此就需要处理各种各样的编码问题,在处理之前,必须明确“源”的编码,然后用指定的编码方式正确读取到内存中。如果是一个方法的参数,实际上必须明确该字符串参数的编码,因为这个参数可能是另外一个日文系统传递过来的。当明确了字符串编码时候,就可以按照要求正确处理字符串,以避免乱码。

在对字符串进行解码编码的时候,应该调用下面的方法:

getbytes(string charsetname) 
string(byte[] bytes, string charsetname)

而不要使用那些不带字符集名称的方法签名,通过上面两个方法,可以对内存中的字符进行重新编码。

以上所述上小编给大家介绍的java 字符编码原理,希望对大家有所帮助