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设置字符串编码(java字符串指定编码)

程序员文章站 2022-04-10 18:41:43
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...

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:

java设置字符串编码(java字符串指定编码)

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!