Java中的字符集編碼入門（五）

 

若是你是JVM的設計者，讓你來決定JVM中全部字符的表示形式，你會不會容許使用各類編碼方式的字符並存？

 

我想你的答案是不會，若是在內存中的Java字符能夠以GB2312，UTF-16，BIG5等各類編碼形式存在，那麼對開發者來講，連進行最基本的字符串打印、鏈接等操做都會步履維艱。例如一個GB2312的字符串後面鏈接一個UTF-8的字符串，那麼鏈接後的最終結果應該是什麼編碼的呢？你選哪個都沒有道理。

 

所以牢記下面這句話，這也是Java開發者的共贊成志：在Java中，字符只以一種形式存在，那就是Unicode（注意到咱們沒有選擇特定的編碼，直接使用它們在字符集中的編號，這是統一的惟一方法）。

 

但「在Java中」究竟是指在哪裏呢？就是指在JVM中，在內存中，在你的代碼裏聲明的每個char，String類型的變量中。例如你在程序中這樣寫

 

char han='漢';

 

 

 

在內存的相應區域，這個字符就表示爲0x6C49.能夠用下面的代碼證實一下：

 

char han='漢';

System.out.format("%x",(short)han);

 

 

 

輸出是：6c49反過來用Unicode編號來指定一個字符也能夠，像這樣：

 

char han=0x6c49;

System.out.println(han);

 

 

 

輸出是：漢

 

這其實也是說，只要你正確的讀入了「漢」這個字，那麼它在內存中的表示形式必定是0x6C49，沒有任何其餘的值能表明這個字（固然，若是你讀錯了，那結果是什麼就不知道了，範偉說：讀，讀錯了呀，那還等於好幾億呢；本山大哥說：好幾億你也沒答上，請聽下一題）。

 

JVM的這種約定使得一個字符存在的世界分爲了兩部分：JVM內部和OS的文件系統。在JVM內部，統一使用Unicode表示，當這個字符被從JVM內部移到外部（即保存爲文件系統中的一個文件的內容時），就進行了編碼轉換，使用了具體的編碼方案（也有一種很特殊的狀況，使得在JVM內部也須要轉換，不過這個是後話）。

 

所以能夠說，全部的編碼轉換就只發生在邊界的地方，JVM和OS的交界處，也就是你的各類輸入輸出流（或者Reader，Writer類）起做用的地方。

 

話頭扯到這裏就必須接着說Java的IO系統。

 

儘管看上去混亂繁雜，可是全部的IO基本上能夠分爲兩大陣營：面向字符的Reader啊Wrtier啊，以及面向字節的輸入輸出流。

 

下面我來逐一分解，其實一點也不難。

 

面向字符和麪向字節中的所謂「面向」什麼，是指這些類在處理輸入輸出的時候，在哪一個意義上保持一致。若是面向字節，那麼這類工做要保證系統中的文件二進制內容和讀入JVM內部的二進制內容要一致。不能變換任何0和1的順序。所以這是一種很是「忠實於原著」的作法（偶然間讓我想起郭敬明抄襲莊羽的文章，那傢伙，太忠實於原著了，笑）。

 

這種輸入輸出方式很適合讀入視頻文件或者音頻文件，或者任何不須要作變換的文件內容。

 

而面向字符的IO是指但願系統中的文件的字符和讀入內存的「字符」（注意和字節的區別）要一致。例如咱們的中文版WindowsXP系統上有一個GBK的文本文件，其中有一個「漢」字，這個字的GBK編碼是0xBABA（而Unicode編號是0x6C49），當咱們使用面向字符的IO把它讀入內存並保存在一個char型變量中時，我但願IO系統不要傻傻的直接把0xBABA放到這個char型變量中，我甚至都不關心這個char型變量具體的二進制內容究竟是多少，我只但願這個字符讀進來以後仍然是「漢」這個字。

 

從這個意義上也能夠看出，面向字符的IO類，也就是Reader和Writer類，實際上隱式的爲咱們作了編碼轉換，在輸出時，將內存中的Unicode字符使用系統默認的編碼方式進行了編碼，而在輸入時，將文件系統中已經編碼過的字符使用默認編碼方案進行了還原。我兩次提到「默認」，是說Reader和Writer的聰明也僅此而已了，它們只會使用這個默認的編碼來作轉換，你不能爲一個Reader或者Writer指定轉換時使用的編碼。這也意味着，若是你使用中文版WindowsXP系統，而上面存放了一個UTF-8編碼的文件，當你使用Reader類來讀入的時候，它會傻傻的使用GBK來作轉換，轉換後的內容固然驢脣不對馬嘴！

 

這種笨，有時候實際上是一種傻瓜式的功能提供方式，對大多數初級用戶（以及不須要跨平臺的高級用戶）來講反而是件好事。

 

但咱們不同啦，咱們都是國家棟梁，肩負着趕英超美的責任，必須師夷長技以治夷，因此咱們總還要和GBK編碼之外的文件打交道。

 

說了上面這些內容，想必聰明的讀者已經看出來，所謂編碼轉換就是一個字符與字節之間的轉換，所以Java的IO系統中可以指定轉換編碼的地方，也就在字符與字節轉換的地方，那就是（讀者：InputStreamReader和OutputStreamWriter！做者：太強了，都會搶答了！）

 

這兩個類是字節流和字符流之間的適配器類，所以他們肩負着編碼轉換的任務簡直太天然啦！要注意，實際上也只能在這兩類實例化的時候指定編碼，是否是很好記呢？

 

下面來寫一段小程序，來把「漢」字用咱們很是崇拜的UTF-8編碼寫到文件中！

 

try{

PrintWriter out=new PrintWriter(new OutputStreamWriter(new FileOutputStream("c:/utf-8.txt"),"UTF-8"));

try{

out.write("漢");

}finally{

out.close();

}

}catch(IOException e){

throw new RuntimeException(e);

}

 

 

 

運行以後到c盤下去找utf-8.txt這個文件，用UltraEdit打開，使用16進制查看，看到了什麼？它的值是0xE6B189！噢耶！（讀者：這，這有什麼好高興的……）