JAVA字符編碼系列二：Unicode,ISO-8859,GBK,UTF-8編碼及相互轉換

這兩天抽時間又總結/整理了一下各類編碼的實際編碼方式，和在Java應用中的使用狀況，在這裏記錄下來以便往後參考。
爲了構成一個完整的對文字編碼的認識和深刻把握，以便處理在Java開發過程當中遇到的各類問題，特別是亂碼問題，我以爲組成一個系列來描述和分析更好一些，包括三篇文章：
第一篇：JAVA字符編碼系列一：Unicode,GBK,GB2312,UTF-8概念基礎
第二篇：JAVA字符編碼系列二：Unicode,ISO-8859,GBK,UTF-8編碼及相互轉換
第三篇：JAVA字符編碼系列三：Java應用中的編碼問題
 
 
第二篇：JAVA字符編碼系列二：Unicode,ISO-8859-1,GBK,UTF-8編碼及相互轉換
 
１、函數介紹
在Java中，字符串用統一的Unicode編碼，每一個字符佔用兩個字節，與編碼有關的兩個主要函數爲：
１）將字符串用指定的編碼集合解析成字節數組，完成Unicode－〉charsetName轉換
public byte[] getBytes(String charsetName) throws UnsupportedEncodingException　
 
２）將字節數組以指定的編碼集合構形成字符串，完成charsetName－〉Unicode轉換
public String(byte[] bytes, String charsetName) throws UnsupportedEncodingException
 
２、Unicode與各編碼之間的直接轉換
下面以對中文字符串＂ａ中文＂的編碼轉換爲例，來了解各類編碼之間的轉換
１）Unicode和GBK
測試結果以下，每一個漢字轉換爲兩個字節，且是可逆的，即經過字節能夠轉換回字符串
String－GBK〉ByteArray：\u0061\u4E2D\u6587（a中文）－〉0x61 0xD6 0xD0 0xCE 0xC4
ByteArray－GBK〉String：0x61 0xD6 0xD0 0xCE 0xC4－〉\u0061\u4E2D\u6587（a中文）
 
２）Unicode和UTF-8
測試結果以下，每一個漢字轉換爲三個字節，且是可逆的，即經過字節能夠轉換回字符串
String－UTF-8〉ByteArray：\u0061\u4E2D\u6587（a中文）－〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87
ByteArray－UTF-8〉String：0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87－〉\u0061\u4E2D\u6587（a中文）
３）Unicode和ISO-8859-1
測試結果以下，當存在漢字時轉換失敗，非可逆，即經過字節不能再轉換回字符串
String－ISO-8859-1〉ByteArray：\u0061\u4E2D\u6587（a中文）－〉0x61 0x3F 0x3F
ByteArray－ISO-8859-1〉String：0x61 0x3F 0x3F－〉\u0061\u003F\u003F（a??）
３、Unicode與各編碼之間的交叉轉換
在上面直接轉換中，由字符串（Unicode）生成的字節數組，在構造回字符串時，使用的是正確的編碼集合，若是使用的不是正確的編碼集合會怎樣呢？會正確構造嗎？若是不能正確構造能有辦法恢復嗎？會信息丟失嗎？
 
下面咱們就來看看這種狀況，這部分能夠說明在某些狀況下雖然咱們最終正確顯示告終果，但其間仍然進行了不正確的轉換。
 
１）可以正確顯示的中間不正確轉換
咱們知道String－GBK〉ByteArray－GBK〉String是正確的，但若是咱們採用String－GBK〉ByteArray－ISO-8859-1〉String呢？經過測試結果以下：
String－GBK〉ByteArray－ISO-8859-1〉String：\u0061\u4E2D\u6587（a中文）－〉0x61 0xD6 0xD0 0xCE 0xC4－〉\u0061\u00D6\u00D0\u00CE\u00C4（a????）
 
這時咱們獲得的字符串爲？亂碼「a????」，可是經過繼續轉換咱們仍然能夠復原回正確的字符串「a中文」，過程以下：
String－GBK〉ByteArray－ISO-8859-1〉String－ISO-8859-1〉ByteArray－GBK〉String
對應：\u0061\u4E2D\u6587（a中文）－〉0x61 0xD6 0xD0 0xCE 0xC4－〉\u0061\u00D6\u00D0\u00CE\u00C4（a????）－〉0x61 0xD6 0xD0 0xCE 0xC4－〉\u0061\u4E2D\u6587（a中文）
 
也就是咱們在首次構造字符串時，咱們用了錯誤的編碼集合獲得了錯誤的亂碼，可是咱們經過錯上加錯，再用錯誤的編碼集合獲取字節數組，而後再用正確的編碼集合構造，就又恢復了正確的字符串。這時就屬因而「可以正確顯示的中間不正確轉換」。在Jsp頁面提交數據處理時經常發生這種狀況。
 
此外可以正確顯示的中間不正確轉換還有：
String－UTF-8〉ByteArray－ISO-8859-1〉String－ISO-8859-1〉ByteArray－UTF-8〉String
和
String－UTF-8〉ByteArray－GBK〉String－GBK〉ByteArray－UTF-8〉String
對應：\u0061\u4E2D\u6587（a中文）－〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87－〉\u0061\u6D93\uE15F\u6783（a涓枃）－〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87－〉\u0061\u4E2D\u6587（a中文）
 
４、編碼過程當中錯誤診斷參考
１）一個漢字對應一個問號
在經過ISO-8859-1從字符串獲取字節數組時，因爲一個Unicode轉換成一個byte，當遇到不認識的Unicode時，轉換爲0x3F，這樣不管用哪一種編碼構造時都會產生一個？亂碼。
２）一個漢字對應兩個問號
在經過GBK從字符串獲取字節數組時，因爲一個Unicode轉換成兩個byte，若是此時用ISO-8859-1或用UTF-8構造字符串就會出現兩個問號。
如果經過ISO-8859-1構造能夠再經過上面所說的錯上加錯恢復（即再經過從ISO-8859-1解析，用GBK構造）；
如果經過UTF-8構造則會產生Unicode字符＂\uFFFD＂，不能恢復，若再經過String－UTF-8〉ByteArray－GBK〉String，則會出現雜碼，如a錕斤拷錕斤拷
３）一個漢字對應三個問號
在經過UTF-8從字符串獲取字節數組時，因爲一個Unicode轉換成三個byte，若是此時用ISO-8859-1構造字符串就會出現三個問號；用GBK構造字符串就會出現雜碼，如a涓枃。

本文來自CSDN博客，轉載請標明出處：http://blog.csdn.net/qinysong/archive/2006/09/05/1179489.aspx