String.getBytes()方法中的中文編碼問題

String.getBytes()的問題

String的getBytes()方法是得到一個字串的字節數組，這是衆所周知的。但特別要注意的是，本方法將返回該操作系統默認的編碼格式的字節數組。如果你在使用這個方法時不考慮到這一點，你會發現在一個平臺上運行良好的系統，放到另外一臺機器後會產生意想不到的問題。比如下面的程序，
 

1. class TestCharset 
2. {
3.  
4.     public static void main(String[] args) 
5.     {
6.         new TestCharset().execute();
7.     }
8.  
9.     private void execute() {
10.         String s = "Hello!你好！";
11.         
12.         byte[] bytes = s.getBytes();
13.  
14.         System.out.println("bytes lenght is:" + bytes.length);
15.  
16.  
17.     }
18.  
19. }

在一箇中文WindowsXP系統下，運行時，結果爲：
bytes lenght is:12

但是如果放到了一個英文的UNIX環境下運行：
$ java TestCharset
bytes lenght is:9

如果你的程序依賴於該結果，將在後續操作中引起問題。爲什麼在一個系統中結果爲12，而在另外一個卻變成了9了呢？上面已經提到了，該方法是和平臺（編碼）相關的。在中文操作系統中，getBytes方法返回的是一個GBK或者GB2312的中文編碼的字節數組，其中中文字符，各佔兩個字節。而在英文平臺中，一般的默認編碼是“ISO-8859-1”，每個字符都只取一個字節（而不管是否非拉丁字符）。
 

Java中的編碼支持

Java是支持多國編碼的，在Java中，字符都是以Unicode進行存儲的，比如，“你”字的Unicode編碼是“4f60”，我們可以通過下面的實驗代碼來驗證：
 

1. class TestCharset 
2. {
3.  
4.     public static void main(String[] args) 
5.     {
6.         char c = '你';
7.         int i = c;
8.         System.out.println(c);
9.         System.out.println(i);
10.     }
11.  
12. }

不管你在任何平臺上執行，都會有相同的輸出：

----------------- output ------------------
你
20320

20320就是Unicode “4f60”的整數值。其實，你可以反編譯上面的類，可以發現在生成的.class文件中字符“你”（或者其它任何中文字串）本身就是以Unicode編碼進行存儲的：
 

1.         char c = 'u4F60';
2.         ... ...

即使你知道了編碼的編碼格式，比如：
javac -encoding GBK TestCharset.java
編譯後生成的.class文件中仍然是以Unicode格式存儲中文字符或字符串的。
 

使用String.getBytes(String charset)方法

所以，爲了避免這種問題，我建議大家都在編碼中使用String.getBytes(String charset)方法。下面我們將從字串分別提取ISO-8859-1和GBK兩種編碼格式的字節數組，看看會有什麼結果：
 

1. class TestCharset 
2. {
3.  
4.     public static void main(String[] args) 
5.     {
6.         new TestCharset().execute();
7.     }
8.  
9.     private void execute() {
10.         String s = "Hello!你好！";
11.         
12.         byte[] bytesISO8859 =null;
13.         byte[] bytesGBK = null;
14.  
15.         try
16.         {
17.             bytesISO8859 = s.getBytes("iso-8859-1");
18.             bytesGBK = s.getBytes("GBK");
19.         }
20.         catch (java.io.UnsupportedEncodingException e)
21.         {
22.             e.printStackTrace();
23.         }
24.  
25.         System.out.println("--------------   8859 bytes:");
26.         System.out.println("bytes is:     " + arrayToString(bytesISO8859));
27.         System.out.println("hex format is:" + encodeHex(bytesISO8859));
28.         System.out.println();
29.  
30.         System.out.println("--------------   GBK bytes:");
31.         System.out.println("bytes is:     " + arrayToString(bytesGBK));
32.         System.out.println("hex format is:" + encodeHex(bytesGBK));
33.  
34.     }
35.  
36.     public static final String encodeHex (byte[] bytes) {
37.         StringBuffer buff = new StringBuffer(bytes.length * 2);
38.         String b;
39.         for (int i=0; i<bytes.length ; i++)
40.         {
41.             b = Integer.toHexString(bytes[i]); 
42.             // byte是兩個字節的，而上面的Integer.toHexString會把字節擴展爲4個字節
43.             buff.append(b.length() > 2 ? b.substring(6,8) : b); 
44.             buff.append(" ");
45.         }
46.         return buff.toString();
47.     }
48.  
49.     public static final String arrayToString (byte[] bytes) {
50.         StringBuffer buff = new StringBuffer();
51.         for (int i=0; i<bytes.length ; i++)
52.         {
53.             buff.append(bytes[i] + " ");
54.         }
55.         return buff.toString();
56.     }
57.  
58. }

執行上面程序將打印出：
 

1. --------------
2.  8859 bytes:
3. bytes is:     72 101 108 108 111 33 63 63 63
4. hex format is:48 65 6c 6c 6f 21 3f 3f 3f
5.  
6. --------------
7.  GBK bytes:
8. bytes is:     72 101 108 108 111 33 -60 -29 -70 -61 -93 -95
9. hex format is:48 65 6c 6c 6f 21 c4 e3 ba c3 a3 a1

可見，在s中提取的8859-1格式的字節數組長度爲9，中文字符都變成了“63”，ASCII碼爲63的是“?”，一些國外的程序在國內中文環境下運行時， 經常出現亂碼，上面佈滿了“?”，就是因爲編碼沒有進行正確處理的結果。而提取的GBK編碼的字節數組中正確得到了中文字符的GBK編碼。字符“你”“好”“！”的GBK編碼分別是：“c4e3”“bac3”“a3a1”。得到了正確的以GBK編碼的字節數組，以後需要還原爲中文字串時，可以使用下面方法：
new String(byte[] bytes, String charset)