了解并解决GBK转UTF-8奇数中文乱码

2012-12-24

理解并解决GBK转UTF-8奇数中文乱码最近在做一个反馈功能，把数据反馈到对方公司网站，我公司是GBK编码，对方

理解并解决GBK转UTF-8奇数中文乱码

最近在做一个反馈功能，把数据反馈到对方公司网站，我公司是GBK编码，对方公司是UTF-8编码。因此，我需要将GBK编码数据转换成UTF-8编码数据，这样对方网站才不会乱码。最简单的方法是将HttpClient的ContentCharset设置为utf-8；如果ContentCharset是gbk并且又不想设置为utf-8，那么就需要将数据转换成UTF-8编码再发到对方网站。

问题出现：GBK转UTF-8时，奇数个中文会乱码，偶数个中文不会乱码。
三个中文

public static void encodeError() throws UnsupportedEncodingException {String gbk = "我来了";String utf8 = new String(gbk.getBytes("UTF-8"));//模拟UTF-8编码的网站显示System.out.println(new String(utf8.getBytes(),"UTF-8"));}/*我来??*/

?前面三个中文，后面一个中文，都是奇数

public static void encodeError2() throws UnsupportedEncodingException {String gbk = "今年是2011年";String utf8 = new String(gbk.getBytes("UTF-8"));//模拟UTF-8编码的网站显示System.out.println(new String(utf8.getBytes(),"UTF-8"));}/*今年??011??*/

原因：为什么只有奇数个中文才乱码，偶数个却不乱码？下面来分析原因

public static void analyze() throws UnsupportedEncodingException {String gbk = "我来了";String utf8 = new String(gbk.getBytes("UTF-8"));for (byte b : gbk.getBytes("UTF-8")) {System.out.print(b + " ");}System.out.println();for (byte b : utf8.getBytes()) {System.out.print(b + " ");}}/*-26 -120 -111 -26 -99 -91 -28 -70 -122 -26 -120 -111 -26 -99 -91 -28 -70 63 */

?注意最后一个字节不同，上面一行才是正确的UTF-8编码。那么为什么下面一行最后一个字节是63，而不是-122呢？这就是导致乱码的原因所在。
GBK编码是一个中文2个字节，而UTF-8编码是一个中文3个字节，当我们调用getBytes("UTF-8")方法时，会通过计算来增加字节，使得从GBK的2个字节变成UTF-8对应的3个字节。因此，上例3个中文输出了9个字节。

这里讲一下怎么通过计算增加字节，不深究的读者可以跳过此段。为了醒目，直接用代码讲解

public static void gbk2Utf() throws UnsupportedEncodingException {String gbk = "我来了";char[] c = gbk.toCharArray();byte[] fullByte = new byte[3*c.length];for (int i=0; i<c.length; i++) {String binary = Integer.toBinaryString(c[i]);StringBuffer sb = new StringBuffer();int len = 16 - binary.length();//前面补零for(int j=0; j<len; j++){    sb.append("0");    }sb.append(binary);//增加位，达到到24位3个字节sb.insert(0, "1110");        sb.insert(8, "10");        sb.insert(16, "10");       fullByte[i*3] = Integer.valueOf(sb.substring(0, 8), 2).byteValue();//二进制字符串创建整型        fullByte[i*3+1] = Integer.valueOf(sb.substring(8, 16), 2).byteValue();        fullByte[i*3+2] = Integer.valueOf(sb.substring(16, 24), 2).byteValue();}//模拟UTF-8编码的网站显示System.out.println(new String(fullByte,"UTF-8"));}

现在我们来找出最后一个字节是63，而不是-122的原因。

public static void analyze2() throws UnsupportedEncodingException {String gbk = "我来了";byte[] utfBytes = gbk.getBytes("UTF-8");//得到9个字节String utf8 = new String(utfBytes);//问题就出在这System.out.print(utf8);}/*鎴戞潵浜?*/

?因为文件是GBK编码，new String(utfBytes)默认就是new String(utfBytes,"GBK")。它会2个字节2个字节地转换成字符，当字节是奇数时最后1个字节转字符就会计算错误，然后直接赋予最后这个字符为?，对应ASCII代码就是63。

解决问题
保证字节正确才是硬道理。当调用getBytes("UTF-8")转换成字节数组后，创建ISO-8859-1编码的字符串，ISO-8859-1编码是一个字节对应一个字符，因此不会使最后一个字节错误。

public static void correctEncode() throws UnsupportedEncodingException {String gbk = "我来了";String iso = new String(gbk.getBytes("UTF-8"),"ISO-8859-1");for (byte b : iso.getBytes("ISO-8859-1")) {System.out.print(b + " ");}System.out.println();//模拟UTF-8编码的网站显示System.out.println(new String(iso.getBytes("ISO-8859-1"),"UTF-8"));}/*-26 -120 -111 -26 -99 -91 -28 -70 -122 我来了*/

Java与Unicode
Java的class文件采用utf8的编码方式，JVM运行时采用utf16。Java的字符串是unicode编码的。总之，Java采用了unicode字符集，使之易于国际化。
?
Java支持哪些字符集：
即Java能识别哪些字符集并对它进行正确地处理？查看Charset?类，最新的JDK支持160种字符集。可以通过static方法availableCharsets拿到所有Java支持的字符集。
<table style="width: 100.0%; border-collapse: collapse;" border="0" cellspacing="0" cellpadding="0" width="100%"><tbody><tr style="">
<td style="width: 100.0%; background: silver; padding: 0cm 5.4pt 0cm 5.4pt;" width="100%" valign="top">
assertEquals(160, Charset.availableCharsets().size());??
?
Set<String> charsetNames =
Charset.availableCharsets().keySet();??
?
assertTrue(charsetNames.contains("utf-8"));??
assertTrue(charsetNames.contains("utf-16"));??
assertTrue(charsetNames.contains("gb2312"));??
?
assertTrue(Charset.isSupported("utf-8"));
</td>
</tr></tbody></table>
?
需要在哪些时候注意编码问题？
1.?????????从外部资源读取数据：
这跟外部资源采取的编码方式有关，我们需要使用外部资源采用的字符集来读取外部数据：
<table style="width: 100.0%; border-collapse: collapse;" border="0" cellspacing="0" cellpadding="0" width="100%"><tbody><tr style="">
<td style="width: 100.0%; background: silver; padding: 0cm 5.4pt 0cm 5.4pt;" width="100%" valign="top">
InputStream is = new
FileInputStream("res/input2.data");??
InputStreamReader streamReader = new InputStreamReader(is,
"GB18030");
</td>
</tr></tbody></table>
这里可以看到，我们采用了GB18030编码读取外部数据，通过查看streamReader的encoding可以印证：
<table style="width: 100.0%; border-collapse: collapse;" border="0" cellspacing="0" cellpadding="0" width="100%"><tbody><tr style="">
<td style="width: 100.0%; background: silver; padding: 0cm 5.4pt 0cm 5.4pt;" width="100%" valign="top">
assertEquals("GB18030", streamReader.getEncoding());
</td>
</tr></tbody></table>
正是由于上面我们为外部资源指定了正确的编码，当它转成char数组时才能正确地进行解码（GB18030 -> unicode）：
<table style="width: 100.0%; border-collapse: collapse;" border="0" cellspacing="0" cellpadding="0" width="100%"><tbody><tr style="">
<td style="width: 100.0%; background: silver; padding: 0cm 5.4pt 0cm 5.4pt;" width="100%" valign="top">
char[] chars = new char[is.available()];??
streamReader.read(chars, 0, is.available());
</td>
</tr></tbody></table>
但我们经常写的代码就像下面这样：
<table style="width: 100.0%; border-collapse: collapse;" border="0" cellspacing="0" cellpadding="0" width="100%"><tbody><tr style="">
<td style="width: 100.0%; background: silver; padding: 0cm 5.4pt 0cm 5.4pt;" width="100%" valign="top">
InputStream is = new
FileInputStream("res/input2.data");??
InputStreamReader streamReader = new InputStreamReader(is);
</td>
</tr></tbody></table>
这时候InputStreamReader采用什么编码方式读取外部资源呢？Unicode？不是，这时候采用的编码方式是JVM的默认字符集，这个默认字符集在虚拟机启动时决定，通常根据语言环境和底层操作系统的?charset来确定。可以通过以下方式得到JVM的默认字符集：
<table style="width: 100.0%; border-collapse: collapse;" border="0" cellspacing="0" cellpadding="0" width="100%"><tbody><tr style="">
<td style="width: 100.0%; background: silver; padding: 0cm 5.4pt 0cm 5.4pt;" width="100%" valign="top">
Charset.defaultCharset();?
</td>
</tr></tbody></table>
为什么要这样？因为我们从外部资源读取数据，而外部资源的编码方式通常跟操作系统所使用的字符集一样，所以采用这种默认方式是可以理解的。
好吧，那么我通过我的IDE Ideas创建了一个文件，并以JVM默认的编码方式从这个文件读取数据，但读出来的数据竟然是乱码。为何？呵呵，其实是因为通过Ideas创建的文件是以utf-8编码的。要得到一个JVM默认编码的文件，通过手工创建一个txt文件试试吧。
2.?????????字符串和字节数组的相互转换
我们通常通过以下代码把字符串转换成字节数组：
<table style="width: 100.0%; border-collapse: collapse;" border="0" cellspacing="0" cellpadding="0" width="100%"><tbody><tr style="">
<td style="width: 100.0%; background: silver; padding: 0cm 5.4pt 0cm 5.4pt;" width="100%" valign="top">
"string".getBytes();
</td>
</tr></tbody></table>
但你是否注意过这个转换采用的编码呢？其实上面这句代码跟下面这句是等价的：
<table style="width: 100.0%; border-collapse: collapse;" border="0" cellspacing="0" cellpadding="0" width="100%"><tbody><tr style="">
<td style="width: 100.0%; background: silver; padding: 0cm 5.4pt 0cm 5.4pt;" width="100%" valign="top">
"string".getBytes(Charset.defaultCharset());
</td>
</tr></tbody></table>
也就是说它根据JVM的默认编码（而不是你可能以为的unicode）把字符串转换成一个字节数组。
反之，如何从字节数组创建一个字符串呢？
<table style="width: 100.0%; border-collapse: collapse;" border="0" cellspacing="0" cellpadding="0" width="100%"><tbody><tr style="">
<td style="width: 100.0%; background: silver; padding: 0cm 5.4pt 0cm 5.4pt;" width="100%" valign="top">
new String("string".getBytes());
</td>
</tr></tbody></table>
同样，这个方法使用平台的默认字符集解码字节的指定数组（这里的解码指从一种字符集到unicode）。
?
字符串编码迷思：
<table style="width: 100.0%; border-collapse: collapse;" border="0" cellspacing="0" cellpadding="0" width="100%"><tbody><tr style="">
<td style="width: 100.0%; background: silver; padding: 0cm 5.4pt 0cm 5.4pt;" width="100%" valign="top">
new String(input.getBytes("ISO-8859-1"), "GB18030")
</td>
</tr></tbody></table>
上面这段代码代表什么？有人会说：?“把input字符串从ISO-8859-1编码方式转换成GB18030编码方式”。如果这种说法正确，那么又如何解释我们刚提到的java字符串都采用unicode编码呢？
这种说法不仅是欠妥的，而且是大错特错的，让我们一一来分析，其实事实是这样的：我们本应该用GB18030的编码来读取数据并解码成字符串，但结果却采用了ISO-8859-1的编码，导致生成一个错误的字符串。要恢复，就要先把字符串恢复成原始字节数组，然后通过正确的编码GB18030再次解码成字符串（即把以GB18030编码的数据转成unicode的字符串）。注意，字符串永远都是unicode编码的。
但编码转换并不是负负得正那么简单，这里我们之所以可以正确地转换回来，是因为?ISO8859-1?是单字节编码，所以每个字节被按照原样?转换为?String?，也就是说，虽然这是一个错误的转换，但编码没有改变，所以我们仍然有机会把编码转换回来！?
?
总结：
所以，我们在处理java的编码问题时，要分清楚三个概念：Java采用的编码：unicode，JVM平台默认字符集和外部资源的编码。
 }

String gbk = "我来了";
String iso = new String(gbk.getBytes("UTF-8"),"UTF-8");
for (byte b : gbk.getBytes("UTF-8")) {
 System.out.print(b + " ");
}
System.out.println();
for (byte b : iso.getBytes()) {
 System.out.print(b + " ");
}
/*
-26 -120 -111 -26 -99 -91 -28 -70 -122
-50 -46 -64 -76 -63 -53
*/}
System.out.println();
for (byte b : iso.getBytes()) {
 System.out.print(b + " ");
}
System.out.println();
for (byte b : gbk.getBytes()) {
 System.out.print(b + " ");
}
/*
-26 -120 -111 -26 -99 -91 -28 -70 -122
-50 -46 -64 -76 -63 -53
-50 -46 -64 -76 -63 -53
*/
兄弟，自己体会<table style="width: 100.0%; border-collapse: collapse;" border="0" cellspacing="0" cellpadding="0" width="100%"><tbody><tr>
<td style="width: 100.0%; background: silver; padding: 0cm 5.4pt 0cm 5.4pt;" width="100%" valign="top">
new String(input.getBytes("ISO-8859-1"), "GB18030")
</td>
</tr></tbody></table>
上面这段代码代表什么？有人会说：?“把input字符串从ISO-8859-1编码方式转换成GB18030编码方式”。如果这种说法正确，那么又如何解释我们刚提到的java字符串都采用unicode编码呢？
这种说法不仅是欠妥的，而且是大错特错的，让我们一一来分析，其实事实是这样的：我们本应该用GB18030的编码来读取数据并解码成字符串，但结果却采用了ISO-8859-1的编码，导致生成一个错误的字符串。要恢复，就要先把字符串恢复成原始字节数组，然后通过正确的编码GB18030再次解码成字符串（即把以GB18030编码的数据转成unicode的字符串）。注意，字符串永远都是unicode编码的。
但编码转换并不是负负得正那么简单，这里我们之所以可以正确地转换回来，是因为?ISO8859-1?是单字节编码，所以每个字节被按照原样?转换为?String?，也就是说，虽然这是一个错误的转换，但编码没有改变，所以我们仍然有机会把编码转换回来！?
?
总结：
所以，我们在处理java的编码问题时，要分清楚三个概念：Java采用的编码：unicode，JVM平台默认字符集和外部资源的编码。
String str = new String("我来了".getBytes("GBK"));byte[] bt = str.getBytes("UTF-8");System.out.println(bt.length);for(int i=0;i<bt.length;i++){System.out.print(bt[i]+" ");}String str1 = new String(bt,"UTF-8");System.out.println(new String(str1.getBytes(),"GBK"));

36 楼 iceman1952 2011-06-22 beykery 写道楼主有一点说的不正确，utf-8是变长编码，有1个字节到4个字节编码的字符。
是1个到6个 37 楼 iceman1952 2011-06-22 iceman1952 写道beykery 写道楼主有一点说的不正确，utf-8是变长编码，有1个字节到4个字节编码的字符。
是1个到6个
到底几个，到底几个，到底几个？？？？
38 楼 hobitton 2011-06-24 iceman1952 写道iceman1952 写道beykery 写道楼主有一点说的不正确，utf-8是变长编码，有1个字节到4个字节编码的字符。
是1个到6个
到底几个，到底几个，到底几个？？？？

http://www.ietf.org/rfc/rfc3629.txt

热点排行

编程

了解并解决GBK转UTF-8奇数中文乱码