浅谈Java字符串的编码问题
先看下面这段代码的运行结果
String str = "中国";System.out.println("第一部分-------------------------------------------");System.out.println(str.length());System.out.println(str.getBytes().length);String temp=new String(str.getBytes(), "UTF-8");System.out.println(temp+"\t"+temp.length());System.out.println(temp.getBytes().length);System.out.println("--------------------------------------------------");String str2 = "abc中国";System.out.println("第二部分-------------------------------------------");System.out.println(str2.length());System.out.println(str2.getBytes().length);System.out.println(new String(str2.getBytes(), "UTF-8").length());System.out.println(new String(str2.getBytes(), "UTF-8").getBytes().length);?有的人运行结果是2、6、2、6；5、9、5、9
但有的人运行结果是2、4、3、4；5、7、6、7，也有可能运行结果是其他的值。完全相同的代码，运行结果却不同，这是为什么呢？
?
我们都知道，Java中String以Unicode的方式存储，这只是它在内存中的存储方式，一旦要使用这个String就需要转换成具体编码格式的表示形式，并且这个编码格式随源码文件的编码格式变化而变化。以上代码运行结果的根源就在这里。
请看下面的代码
//下面的字符串在GBK格式的源码文件里，字符串时GBK编码格式的System.out.println("第一部分-------------------------------------------");String str = "中国";System.out.println(str.length()); // 这些应该都没有问题，关键在下面System.out.println(str.getBytes().length);// 注意这里是得到的gbk的字节，一个汉字gbk编码是2个字节System.out.println(new String(str.getBytes(), "UTF-8").length());// 这里用得到的gbk的字节去转换成utf-8，需要注意的是一般情况下utf-8汉字占有3个字节，而acsll码在utf-8中是一个字节// 而编码转换的规则是对字节进行扫描，如果可以转换成1个字节的ascll就优先转换，可以转换成2个字节就优先转换成两个字节的utf-8编码// * 0xxxxxxx (00-7f) ascll// * 110xxxxx 10xxxxxx (c0-df)(80-bf) ascll和汉字之间的一些字符// * 1110xxxx 10xxxxxx 10xxxxxx (e0-ef)(80-bf)(80-bf) 汉字// * 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx (f0-f7)(80-bf)(80-bf)(80-bf)// * 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx// (f8-fb)(80-bf)(80-bf)(80-bf)(80-bf)// * 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx// (fc-fd)(80-bf)(80-bf)(80-bf)(80-bf)(80-bf)// 仔细看上面的utf-8的编码表 再看通过getBytes()，最终得到的二进制码是//11010110 11010000 10111001 11111010// 第一个字节与第二个一直到最后字节组合不成utf-8编码(110开始的只有上面的第二行，但是下一个字节不是10******，因此要对第一个字节单独解码// 再看第二个与第三个字节为11010000 10111001 刚好是一个上面的第二行的范围内，所以对他们两个进行一个utf-8解码// 最后对11111010 进行解码// 通过以上分析可以知道得到的utf-8格式的字符串时3个字符，所以长度是3System.out.println(new String(str.getBytes(), "UTF-8").getBytes().length);System.out.println("第二部分-------------------------------------------");String str2 = "abc中国";System.out.println(str2.length());System.out.println(str2.getBytes().length);System.out.println(new String(str2.getBytes(), "UTF-8").length());// 01100001 01100010 01100011 11010110 11010000 10111001 11111010// 一样从左到右去解码 显然前三个字节满足第一个范围分别解码为abc，后面就与上面的分析一样了// 顺便说一句，如果不想得到乱码可以用getBytes("utf-8")System.out.println(new String(str2.getBytes(), "UTF-8").getBytes().length);?当你源代码文件的格式是UTF-8时，很符合一般的使用想法，但源码文件格式为GBK时，就会出现意想不到的结果。
?