Java中關於亂碼的認識和解決辦法

前幾天在使用中興的MM7接口開發一個彩信的應用，但是在測試的時候，手機收到的文本內容老是一堆亂碼，無論怎麼修改參數問題都得不到解決，因而就狠狠的琢磨和研究了下關於編碼的內容，最終成功解決了亂碼的問題。

咱們都知道Java語言使用的是Unicode編碼。但是你們是否真的已經理解了這句話的含義？ Unicode編碼和咱們經常使用的UTF-8,GBK有什麼關係呢？ 那接下來就來討論下這個話題。

不知你們還有沒想過，咱們在Java代碼裏面定義一個字符串字面量的時候，該字符串在JVM中的編碼是什麼？  是的，上面也說了Java語言用的是Unicode編碼，因此這樣定義的字符串字面量天然就是Unicode編碼表示的。 然而除了這種程序內部的數據外，咱們常常還會從外部獲取各類各樣的數據讓程序處理，例如經過IO從硬盤上讀取文件，經過JDBC查詢數據庫等，而這些數據的編碼格式是多種多樣的，例若有的多是UTF-8,有的多是GBK等，那麼這樣的一些數據在JVM中又是以什麼編碼表示的呢？

上面提到了幾個問題，如今返回去簡單的說說編碼，固然這裏只是粗略的說起，畢竟網上這方面的內容不少。

咱們首先要弄清楚兩個概念，「字符集編碼」和「編碼格式」。所謂「字符集編碼」就是由某個組織制定的一張「字符與編號的映射關係表」，例如： 10001 == 「我」， 10002 = 「們」。 咱們所謂的Unicode字符集就是這樣的一張關係表。

而UTF-8是一種實現了Unicode字符集中部分字符編碼的「編碼格式」，它存在目的是爲了保存或者傳輸數據用的。那麼既然在字符集中已經有了映射關係了，爲何還要再來編碼。緣由好幾個，例如考慮文件大小的問題，使用效率的問題，和其餘字符集區分的問題等。

那麼UTF-8編碼又是對Unicode字符集中的哪部分編碼呢？ 就是「字符編號」，例如上面的10001,10002.  而對於UTF-8的編碼規則能夠網上查閱.

那如今咱們就應該清楚了，在JVM中表示字符串「咱們」使用的編碼爲「1000110002」這樣的格式，也就是使用的是Unicode的編號。那當咱們經過IO將一個以UTF-8編碼的文本文件讀入內存的時候，極可能咱們會使用到這樣的代碼：

new InputStreamReader(new FileInputStream(file),"UTF-8")

這裏指定的「UTF-8」就是文件的編碼格式，它的目的是告訴負責解碼的對象要按照「UTF-8」的編碼格式來解碼成JVM使用的Unicode編碼。那若是咱們這裏指定爲「GBK」的話，咱們所獲得的可就是一堆亂碼啦。

若是String content = （文件內容） 。 那麼這個content在這個時候已是Unicode編碼了。不知道如今爲止是否應該明白了些什麼。

若是你看到這樣的代碼：
String msg  = "我是一個字符串" ;
String res = new String(msg.getBytes("utf-8"),"GBK") ;

那這裏的res打印出來也就是一堆亂碼了。這裏的操做過程實際上是：
1，將Unicode編碼的msg按照UTF-8的編碼格式進行編碼，從而獲得UTF-8編碼的字節數組。
2，將字節數組按照GBK的編碼格式來解碼成Unicode編碼的字符
3，惋惜UTF-8和GBK不兼容，他們使用了不一樣的編碼集，因此亂碼出來啦

在進行http請求的時候，咱們須要告訴對方咱們發送的數據的編碼格式是什麼，若是對方按照咱們的告知的編碼格式來解碼，而咱們卻把錯誤的編碼格式告訴了對方，那麼接下來的事情就是對方收到了一堆的亂碼。

還有就是咱們在進行這樣的操做的時候："我是一個字符串".getBytes(); 可要當心了，這個時候獲得的字節數組但是你操做系統默認的編碼格式（固然咱們還能夠在啓動的時候指定咱們默認的編碼格式）。

下面再追加點編碼解碼的例子，供你們理會：

//定義一個Unicode字符類型的字符串
  String msg = "我是一個字符串哦，仍是Unicode編碼的。體發財"  ;
  System.out.println("原有字符串："+msg);
  System.out.println("=============");
  //將Unicode編碼按照GBK編碼格式進行編碼
  byte[] gbkbyts = msg.getBytes("GBK");
  
  /*
   * 原本是GBK編碼的字節，咱們使用UTF-8來解碼.固然此時必然會是亂碼。
   * 
   * 注意：若是在第一次解碼的時候使用這種錯誤的解碼方式，
   * 那麼後面將沒法再恢復，下面的例子能夠看到。
   * */
  String utf8Str = new String(gbkbyts,"UTF-8") ;
  System.out.println("UTF-8解碼後的字符串："+utf8Str);
  /*
   * 接下來咱們把該字符串按照UTF-8的編碼格式再編碼回去.
   * 但這個時候gbkbyts和utf8Byts已經徹底不一樣了。
   * */
  byte[] utf8Byts = utf8Str.getBytes("UTF-8") ;
  /*
   * 接着咱們再來按照GBK的編碼格式來解碼.
   * 獲得的天然是亂碼。
   * */
  String utf2GbkStr = new String(utf8Byts,"GBK") ;
  System.out.println("GBK解碼UTF-8編碼後的字符串："+utf2GbkStr);
  System.out.println("~~~~~~~~~~~~~~~~~~~~~~~~~~~~~");
  /*
   * 可是，若是咱們第一次解碼的時候使用的是單字節的編碼格式來解碼，那後面是能夠再恢復的。
   * 但是還有一個要求，就是要保證該單字節的編碼會利用上全部的8位，
   * 也就是說能夠表示256個字符的才行。
   * 
   * 
   *單字節的編碼格式有兩種， ASCII和ISO-8859-？
   *ASCII使用了7位來表示字符，最高位永遠爲0，其能夠表示的範圍只有128個字符。
   *ISO-8859-？（問號表示1,2,3…11,13…16,沒有12,表示15個字符集）
   *使用8位來表示字符，總共能夠表示256個字符。
   *
   *這兩種單字節編碼，咱們最經常使用的也就是ISO-8859-1
   * */
  //轉換爲ASCII碼的字符串
  String ascStr = new String(gbkbyts,"ASCII") ;
  System.out.println("ASCII解碼後的字符串："+ascStr);
  //再將ASCII轉換爲GBK
  String gbkStr = new String(ascStr.getBytes("ASCII"),"GBK") ;
  System.out.println("將ASCII編碼按照GBK編碼格式解碼："+gbkStr);
  System.out.println("===============================");
  
  
  String isoStr = new String(gbkbyts,"ISO-8859-1") ;
  System.out.println("ISO-8859-1解碼後的字符串："+ascStr);
  //再將ASCII轉換爲GBK
  String gbkStr1 = new String(isoStr.getBytes("ISO-8859-1"),"GBK") ;
  System.out.println("將ISO-8859-1編碼按照GBK編碼格式解碼："+gbkStr1);

其運行結果以下：

原有字符串：我是一個字符串哦，仍是Unicode編碼的。體發財
=============
UTF-8解碼後的字符串：???????????????????Unicode???????w?l?
GBK解碼UTF-8編碼後的字符串：錕斤拷錕斤拷一錕斤拷錕街鳳拷錕斤拷哦錕斤拷錕斤拷錕斤拷Unicode錕斤拷錕斤拷摹錕斤拷w錕絣財
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
ASCII解碼後的字符串：??????????????????????Unicode?????????w?l??
將ASCII編碼按照GBK編碼格式解碼：??????????????????????Unicode?????????w?l??
===============================
ISO-8859-1解碼後的字符串：??????????????????????Unicode?????????w?l??
將ISO-8859-1編碼按照GBK編碼格式解碼：我是一個字符串哦，仍是Unicode編碼的。體發財

以上的內容大概的講了下關於java中編碼的問題，也算是一個拋磚引玉的過程，歡迎指正。