一、Java編碼轉(zhuǎn)換過程
 我們總是用一個(gè)java類文件和用戶進(jìn)行最直接的交互（輸入、輸出），這些交互內(nèi)容包含的文字可能會(huì)包含中文。無論這些java類是與數(shù)據(jù)庫交互，還是與前端頁面交互，他們的生命周期總是這樣的：
 (1)、程序員在操作系統(tǒng)上通過編輯器編寫程序代碼并且以.java的格式保存操作系統(tǒng)中，這些文件我們稱之為源文件。
 (2)、通過JDK中的javac.exe編譯這些源文件形成.class類。
 (3)、直接運(yùn)行這些類或者部署在WEB容器中運(yùn)行，得到輸出結(jié)果。
 這些過程是從宏觀上面來觀察的，了解這個(gè)肯定是不行的，我們需要真正來了解java是如何來編碼和被解碼的：
 第一步：當(dāng)我們用編輯器編寫java源文件，程序文件在保存時(shí)會(huì)采用操作系統(tǒng)默認(rèn)的編碼格式（一般我們中文的操作系統(tǒng)采用的是GBK編碼格式）形成一個(gè).java文件。java源文件是采用操作系統(tǒng)默認(rèn)支持的file.encoding編碼格式保存的。下面代碼可以查看系統(tǒng)的file.encoding參數(shù)值。

System.out.println(System.getProperty("file.encoding")); 

 第二步：當(dāng)我們使用javac.exe編譯我們的java文件時(shí)，JDK首先會(huì)確認(rèn)它的編譯參數(shù)encoding來確定源代碼字符集，如果我們不指定該編譯參數(shù)，JDK首先會(huì)獲取操作系統(tǒng)默認(rèn)的file.encoding參數(shù)，然后JDK就會(huì)把我們編寫的java源程序從file.encoding編碼格式轉(zhuǎn)化為JAVA內(nèi)部默認(rèn)的UNICODE格式放入內(nèi)存中。
 第三步：JDK將上面編譯好的且保存在內(nèi)存中信息寫入class文件中，形成.class文件。此時(shí).class文件是Unicode編碼的，也就是說我們常見的.class文件中的內(nèi)容無論是中文字符還是英文字符，他們都已經(jīng)轉(zhuǎn)換為Unicode編碼格式了。
 在這一步中對(duì)對(duì)JSP源文件的處理方式有點(diǎn)兒不同：WEB容器調(diào)用JSP編譯器，JSP編譯器首先會(huì)查看JSP文件是否設(shè)置了文件編碼格式，如果沒有設(shè)置則JSP編譯器會(huì)調(diào)用調(diào)用JDK采用默認(rèn)的編碼方式將JSP文件轉(zhuǎn)化為臨時(shí)的servlet類，然后再編譯為.class文件并保持到臨時(shí)文件夾中。
 第四步：運(yùn)行編譯的類：在這里會(huì)存在一下幾種情況
 (1)、直接在console上運(yùn)行。
 (2)、JSP/Servlet類。
 (3)、java類與數(shù)據(jù)庫之間。
 這三種情況每種情況的方式都會(huì)不同，
1.Console上運(yùn)行的類
 這種情況下，JVM首先會(huì)把保存在操作系統(tǒng)中的class文件讀入到內(nèi)存中，這個(gè)時(shí)候內(nèi)存中class文件編碼格式為Unicode，然后JVM運(yùn)行它。如果需要用戶輸入信息，則會(huì)采用file.encoding編碼格式對(duì)用戶輸入的信息進(jìn)行編碼同時(shí)轉(zhuǎn)換為Unicode編碼格式保存到內(nèi)存中。程序運(yùn)行后，將產(chǎn)生的結(jié)果再轉(zhuǎn)化為file.encoding格式返回給操作系統(tǒng)并輸出到界面去。整個(gè)流程如下：

在上面整個(gè)流程中，凡是涉及的編碼轉(zhuǎn)換都不能出現(xiàn)錯(cuò)誤，否則將會(huì)產(chǎn)生亂碼。
2.Servlet類
 由于JSP文件最終也會(huì)轉(zhuǎn)換為servlet文件（只不過存儲(chǔ)的位置不同而已），所以這里我們也將JSP文件納入其中。
 當(dāng)用戶請(qǐng)求Servlet時(shí)，WEB容器會(huì)調(diào)用它的JVM來運(yùn)行Servlet。首先JVM會(huì)把servlet的class加載到內(nèi)存中去，內(nèi)存中的servlet代碼是Unicode編碼格式的。然后JVM在內(nèi)存中運(yùn)行該Servlet，在運(yùn)行過程中如果需要接受從客戶端傳遞過來的數(shù)據(jù)（如表單和URL傳遞的數(shù)據(jù)），則WEB容器會(huì)接受傳入的數(shù)據(jù)，在接收過程中如果程序設(shè)定了傳入?yún)?shù)的的編碼則采用設(shè)定的編碼格式，如果沒有設(shè)置則采用默認(rèn)的ISO-8859-1編碼格式，接收的數(shù)據(jù)后JVM會(huì)將這些數(shù)據(jù)進(jìn)行編碼格式轉(zhuǎn)換為Unicode并且存入到內(nèi)存中。運(yùn)行Servlet后產(chǎn)生輸出結(jié)果，同時(shí)這些輸出結(jié)果的編碼格式仍然為Unicode。緊接著WEB容器會(huì)將產(chǎn)生的Unicode編碼格式的字符串直接發(fā)送置客戶端，如果程序指定了輸出時(shí)的編碼格式，則按照指定的編碼格式輸出到瀏覽器，否則采用默認(rèn)的ISO-8859-1編碼格式。整個(gè)過程流程圖如下：

3.數(shù)據(jù)庫部分
 我們知道java程序與數(shù)據(jù)庫的連接都是通過JDBC驅(qū)動(dòng)程序來連接的，而JDBC驅(qū)動(dòng)程序默認(rèn)的是ISO-8859-1編碼格式的，也就是說我們通過java程序向數(shù)據(jù)庫傳遞數(shù)據(jù)時(shí)，JDBC首先會(huì)將Unicode編碼格式的數(shù)據(jù)轉(zhuǎn)換為ISO-8859-1的編碼格式，然后在存儲(chǔ)在數(shù)據(jù)庫中，即在數(shù)據(jù)庫保存數(shù)據(jù)時(shí)，默認(rèn)格式為ISO-8859-1。

二、編碼&解碼
下面將結(jié)束java在那些場合需要進(jìn)行編碼和解碼操作，并詳序中間的過程，進(jìn)一步掌握java的編碼和解碼過程。在java中主要有四個(gè)場景需要進(jìn)行編碼解碼操作：
 (1)：I/O操作
 (2)：內(nèi)存
 (3)：數(shù)據(jù)庫
 (4)：javaWeb
 下面主要介紹前面兩種場景，數(shù)據(jù)庫部分只要設(shè)置正確編碼格式就不會(huì)有什么問題，javaWeb場景過多需要了解URL、get、POST的編碼，servlet的解碼，所以javaWeb場景下節(jié)LZ介紹。
1.I/O操作
 在前面LZ就提過亂碼問題無非就是轉(zhuǎn)碼過程中編碼格式的不統(tǒng)一產(chǎn)生的，比如編碼時(shí)采用UTF-8，解碼采用GBK，但最根本的原因是字符到字節(jié)或者字節(jié)到字符的轉(zhuǎn)換出問題了，而這中情況的轉(zhuǎn)換最主要的場景就是I/O操作的時(shí)候。當(dāng)然I/O操作主要包括網(wǎng)絡(luò)I/O（也就是javaWeb）和磁盤I/O。網(wǎng)絡(luò)I/O下節(jié)介紹。
 首先我們先看I/O的編碼操作。

InputStream為字節(jié)輸入流的所有類的超類，Reader為讀取字符流的抽象類。java讀取文件的方式分為按字節(jié)流讀取和按字符流讀取，其中InputStream、Reader是這兩種讀取方式的超類。
 按字節(jié)
 我們一般都是使用InputStream.read()方法在數(shù)據(jù)流中讀取字節(jié)（read()每次都只讀取一個(gè)字節(jié)，效率非常慢，我們一般都是使用read(byte[])），然后保存在一個(gè)byte[]數(shù)組中，最后轉(zhuǎn)換為String。在我們讀取文件時(shí)，讀取字節(jié)的編碼取決于文件所使用的編碼格式，而在轉(zhuǎn)換為String過程中也會(huì)涉及到編碼的問題，如果兩者之間的編碼格式不同可能會(huì)出現(xiàn)問題。例如存在一個(gè)問題test.txt編碼格式為UTF-8，那么通過字節(jié)流讀取文件時(shí)所獲得的數(shù)據(jù)流編碼格式就是UTF-8，而我們?cè)谵D(zhuǎn)化成String過程中如果不指定編碼格式，則默認(rèn)使用系統(tǒng)編碼格式（GBK）來解碼操作，由于兩者編碼格式不一致，那么在構(gòu)造String過程肯定會(huì)產(chǎn)生亂碼，如下：

File file = new File("C:\\test.txt"); 
InputStream input = new FileInputStream(file); 
StringBuffer buffer = new StringBuffer(); 
byte[] bytes = new byte[1024]; 
for(int n ; (n = input.read(bytes))!=-1 ; ){ 
 buffer.append(new String(bytes,0,n)); 
} 
System.out.println(buffer); 

輸出結(jié)果為亂碼....
test.txt中的內(nèi)容為：我是 cm。
 要想不出現(xiàn)亂碼，在構(gòu)造String過程中指定編碼格式，使得編碼解碼時(shí)兩者編碼格式保持一致即可：

buffer.append(new String(bytes,0,n,"UTF-8")); 

 按字符
 其實(shí)字符流可以看做是一種包裝流，它的底層還是采用字節(jié)流來讀取字節(jié)，然后它使用指定的編碼方式將讀取字節(jié)解碼為字符。在java中Reader是讀取字符流的超類。所以從底層上來看按字節(jié)讀取文件和按字符讀取沒什么區(qū)別。在讀取的時(shí)候字符讀取每次是讀取留個(gè)字節(jié)，字節(jié)流每次讀取一個(gè)字節(jié)。
 字節(jié)&字符轉(zhuǎn)換
 字節(jié)轉(zhuǎn)換為字符一定少不了InputStreamReader。API解釋如下：InputStreamReader 是字節(jié)流通向字符流的橋梁：它使用指定的 charset 讀取字節(jié)并將其解碼為字符。它使用的字符集可以由名稱指定或顯式給定，或者可以接受平臺(tái)默認(rèn)的字符集。 每次調(diào)用 InputStreamReader 中的一個(gè) read() 方法都會(huì)導(dǎo)致從底層輸入流讀取一個(gè)或多個(gè)字節(jié)。要啟用從字節(jié)到字符的有效轉(zhuǎn)換，可以提前從底層流讀取更多的字節(jié)，使其超過滿足當(dāng)前讀取操作所需的字節(jié)。API解釋非常清楚，InputStreamReader在底層讀取文件時(shí)仍然采用字節(jié)讀取，讀取字節(jié)后它需要根據(jù)一個(gè)指定的編碼格式來解析為字符，如果沒有指定編碼格式則采用系統(tǒng)默認(rèn)編碼格式。

String file = "C:\\test.txt"; 
   String charset = "UTF-8"; 
   // 寫字符換轉(zhuǎn)成字節(jié)流 
   FileOutputStream outputStream = new FileOutputStream(file); 
   OutputStreamWriter writer = new OutputStreamWriter(outputStream, charset); 
   try { 
   writer.write("我是 cm"); 
   } finally { 
   writer.close(); 
   } 
   
   // 讀取字節(jié)轉(zhuǎn)換成字符 
   FileInputStream inputStream = new FileInputStream(file); 
   InputStreamReader reader = new InputStreamReader( 
   inputStream, charset); 
   StringBuffer buffer = new StringBuffer(); 
   char[] buf = new char[64]; 
   int count = 0; 
   try { 
   while ((count = reader.read(buf)) != -1) { 
    buffer.append(buf, 0, count); 
   } 
   } finally { 
   reader.close(); 
   } 
   System.out.println(buffer); 

2.內(nèi)存
 首先我們看下面這段簡單的代碼

String s = "我是 cm"; 
byte[] bytes = s.getBytes(); 
String s1 = new String(bytes,"GBK"); 
String s2 = new String(bytes); 

 在這段代碼中我們看到了三處編碼轉(zhuǎn)換過程（一次編碼，兩次解碼）。先看String.getTytes():

public byte[] getBytes() { 
  return StringCoding.encode(value, 0, value.length); 
 } 

 內(nèi)部調(diào)用StringCoding.encode()方法操作：

static byte[] encode(char[] ca, int off, int len) { 
  String csn = Charset.defaultCharset().name(); 
  try { 
   // use charset name encode() variant which provides caching. 
   return encode(csn, ca, off, len); 
  } catch (UnsupportedEncodingException x) { 
   warnUnsupportedCharset(csn); 
  } 
  try { 
   return encode("ISO-8859-1", ca, off, len); 
  } catch (UnsupportedEncodingException x) { 
   // If this code is hit during VM initialization, MessageUtils is 
   // the only way we will be able to get any kind of error message. 
   MessageUtils.err("ISO-8859-1 charset not available: " 
        + x.toString()); 
   // If we can not find ISO-8859-1 (a required encoding) then things 
   // are seriously wrong with the installation. 
   System.exit(1); 
   return null; 
  } 
 } 

 encode(char[] paramArrayOfChar, int paramInt1, int paramInt2)方法首先調(diào)用系統(tǒng)的默認(rèn)編碼格式，如果沒有指定編碼格式則默認(rèn)使用ISO-8859-1編碼格式進(jìn)行編碼操作，進(jìn)一步深入如下：

String csn = (charsetName == null) ? "ISO-8859-1" : charsetName; 

 同樣的方法可以看到new String 的構(gòu)造函數(shù)內(nèi)部是調(diào)用StringCoding.decode()方法：

public String(byte bytes[], int offset, int length, Charset charset) { 
  if (charset == null) 
   throw new NullPointerException("charset"); 
  checkBounds(bytes, offset, length); 
  this.value = StringCoding.decode(charset, bytes, offset, length); 
 } 

 decode方法和encode對(duì)編碼格式的處理是一樣的。
 對(duì)于以上兩種情況我們只需要設(shè)置統(tǒng)一的編碼格式一般都不會(huì)產(chǎn)生亂碼問題。
3.編碼&編碼格式
 首先先看看java編碼類圖

首先根據(jù)指定的chart設(shè)置ChartSet類，然后根據(jù)ChartSet創(chuàng)建ChartSetEncoder對(duì)象，最后再調(diào)用 CharsetEncoder.encode 對(duì)字符串進(jìn)行編碼，不同的編碼類型都會(huì)對(duì)應(yīng)到一個(gè)類中，實(shí)際的編碼過程是在這些類中完成的。下面時(shí)序圖展示詳細(xì)的編碼過程：

通過這編碼的類圖和時(shí)序圖可以了解編碼的詳細(xì)過程。下面將通過一段簡單的代碼對(duì)ISO-8859-1、GBK、UTF-8編碼

public class Test02 { 
 public static void main(String[] args) throws UnsupportedEncodingException { 
  String string = "我是 cm"; 
  Test02.printChart(string.toCharArray()); 
  Test02.printChart(string.getBytes("ISO-8859-1")); 
  Test02.printChart(string.getBytes("GBK")); 
  Test02.printChart(string.getBytes("UTF-8")); 
 } 
  
 /** 
  * char轉(zhuǎn)換為16進(jìn)制 
  */ 
 public static void printChart(char[] chars){ 
  for(int i = 0 ; i < chars.length ; i++){ 
   System.out.print(Integer.toHexString(chars[i]) + " "); 
  } 
  System.out.println(""); 
 } 
  
 /** 
  * byte轉(zhuǎn)換為16進(jìn)制 
  */ 
 public static void printChart(byte[] bytes){ 
  for(int i = 0 ; i < bytes.length ; i++){ 
   String hex = Integer.toHexString(bytes[i] & 0xFF); 
    if (hex.length() == 1) { 
    hex = '0' + hex; 
    } 
    System.out.print(hex.toUpperCase() + " "); 
  } 
  System.out.println(""); 
 } 
} 

輸出：

6211 662f 20 63 6d 
3F 3F 20 63 6D 
CE D2 CA C7 20 63 6D 
E6 88 91 E6 98 AF 20 63 6D 

 通過程序我們可以看到“我是 cm”的結(jié)果為：

 char[]：6211 662f 20 63 6d
 ISO-8859-1：3F 3F 20 63 6D 
 GBK：CE D2 CA C7 20 63 6D 
 UTF-8：E6 88 91 E6 98 AF 20 63 6D

 圖如下：

最新評(píng)論