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！