JAVA中文字符串編碼--GBK轉UTF-8

轉載自：https://www.cnblogs.com/yoyotl/p/5979200.html

1、亂碼的緣由

gbk的中文編碼是一個漢字用【2】個字節表示，例如漢字「內部」的gbk編碼16進制的顯示爲c4 da b2 bf

utf-8的中文編碼是一個漢字用【3】個字節表示，例如漢字「內部」的utf-8編碼16進制的顯示爲e5 86 85 e9 83 a8

很顯然，gbk是沒法直接轉換成utf-8，少字節變爲多字節，誰知道缺乏的字節是什麼啊？！

轉換的辦法

有辦法實現「有損」轉換嗎？答案是確定的。

1.首先將gbk字符串getBytes()獲得兩個原始字節，轉換成二進制字符流，共16位。

2.根據UTF-8的漢字編碼規則，首字節以1110開頭，次字節以10開頭，第3字節以10開頭。在原始的2進制字符串中插入標誌位。最終的長度從16--->16+4+2+2=24。

3.轉換完成，實際狀況須要考慮更多因素，例如字符串是漢字和數字的混合體，須要識別處理數字。

public void entityTest(){
    try {
        byte[] str = "支持™".getBytes("gbk");
        String gbkStr = new String(str, "gbk");
        System.out.println(new String(getUTF8BytesFromGBKString(gbkStr),"UTF-8"));
    } catch (UnsupportedEncodingException e) {
        e.printStackTrace();
    }
}


public static byte[] getUTF8BytesFromGBKString(String gbkStr) {
    int n = gbkStr.length();
    byte[] utfBytes = new byte[3 * n];
    int k = 0;
    for (int i = 0; i < n; i++) {
        int m = gbkStr.charAt(i);
        if (m < 128 && m >= 0) {
            utfBytes[k++] = (byte) m;
            continue;
        }
        utfBytes[k++] = (byte) (0xe0 | (m >> 12));
        utfBytes[k++] = (byte) (0x80 | ((m >> 6) & 0x3f));
        utfBytes[k++] = (byte) (0x80 | (m & 0x3f));
    }
    if (k < utfBytes.length) {
        byte[] tmp = new byte[k];
        System.arraycopy(utfBytes, 0, tmp, 0, k);
        return tmp;
    }
    return utfBytes;
}

 但在這裏仍是有個問題是"支持™"字符串中"™"的字符因爲在GBK中不存在，那麼在byte[] str = "支持™".getBytes("gbk");的時候"™"字符就已經亂碼了，最後致使轉碼也亂碼。GBK還有不少不支持的特殊字符。

GBK字符編碼表：https://www.qqxiuzi.cn/zh/hanzi-gbk-bianma.php