一次搞懂Java中的编码问题

IT技术圈 07-07 1069

前言：

目前同学们对“centosjdk乱码”大致比较珍视，朋友们都想要分析一些“centosjdk乱码”的相关资讯。那么小编也在网摘上搜集了一些对于“centosjdk乱码””的相关内容，希望姐妹们能喜欢，咱们一起来了解一下吧！

编码问题一直是一个困扰程序员的问题，尤其是对于java程序员。因为java的跨平台特性，经常需要在多个编码之间进行转换。

下面详细讲一讲java中的编码问题

一、为什么要编码

长话短说，原因如下：

1，计算机存储信息的最小单位是字节Byte。占8个二进制位。所以一个字节能表示的状态只有255中

2，人类语言的符号太多，255位不够

3，所以必须把多个字节合起来表示一个人类语言符号

4，在怎么组合字节上出现了多种方法，这就是编码

二、常用编码格式

现在的编码格式有很多，常见的有 ASCII、ISO-8859-1、GB2312、GBK、UTF-8、UTF-16 等。

能表示汉字的有GB2312、GBK、UTF-8、UTF-16 这几种。不同的编码格式在存储空间和编码效率方面都有不同。

如何选择，需要多方考虑。

先简单介绍一下这几种编码。

ASCII 码

最基础的编码格式，标准ASCII码只有127个。连一个字节都没用完，只用了低7位。

后来又除了扩展ASCII码把第8位利用了起来。不过总的来说，能表示的字符非常有限。

仅适用于英语系语种

属于单子节编码格式。

ISO-8859-1

这个就是上面说的扩展ASCII码。向下兼容标准ASCII码

虽然只能表示256个字符，但是已经包含了绝大多数西欧语言，所以使用上还是非常广泛的。

GB2312

全称是《信息交换用汉字编码字符集基本集》，请注意这个基本字眼。它是双字节编码，总的编码范围是 A1-F7，其中从 A1-A9 是符号区，总共包含 682 个符号，从 B0-F7 是汉字区，包含 6763 个汉字。

GBK

全称叫《汉字内码扩展规范》。另一个名字叫扩展GB2312。所以你就知道了，GBK是GB2312的扩展，能表示 21003 个汉字。向下兼容GB2312，所以用GB2312编码的汉字用GBK来解码是没有问题的。

GBK是双字节的，不论编码英文字母还是汉字都是双字节的。

GB18030（兼容GB2312）

全称是《信息交换用汉字编码字符集》，是我国的强制标准，它是可变字节的，可能是单字节、双字节或者四字节编码，它的编码与 GB2312 编码兼容，这个虽然是国家标准，但是实际系统中使用的并不广泛。

Unicode 编码方案

看了这么多编码，很烦对吧。所以国际标准化组织ISO制定了Unicode 编码方案，可以容纳世界上所有文字和符号的字符编码。

这里要多说一句，Unicode仅仅是一个字符集，规定了一个人类字符对应的二进制数。至于这个二进制数的存储方案，是不管的，由其他开发者实现。这个组织只出标准，不出实现。

所以流行的Unicode 编码方案有两种UTF-16和UTF-8。其实还有一个UTF-32，用的少。。

UTF-32

32很好理解，就是32位，定长4个字节。不管什么字符，统统32位。

好处好坏处很明显。效率高（不需要做任何编码计算转换），但是浪费空间。空间换时间。

UTF-8

这个8不是8位的意思，而是最少8位。UTF-8是一种变长的编码方式。使用 1~6 个字节来存储；

对于英语等西欧语系，非常喜欢UTF-8。因为他们只需要一个字节即可，

在单子节的情况下和 ASCII 编码完全一样，因此 UTF-8 是兼容 ASCII 的

但是对于中日韩语系来说，就比较难受，不仅要忍受效率的损失，而且存储空间也没有节省

UTF-16

UTF-16是介于两者之间的一个编码格式。算是一种折中。折中编码会固定2字节或者4字节

具体来说是对于 Unicode 编号范围在 0000 ~ FFFF 之间的字符，UTF-16 使用两个字节存储，并且直接存储 Unicode 编号，不用进行编码转换，这跟 UTF-32 非常类似。

对于 Unicode 编号范围在 10000~10FFFF 之间的字符，UTF-16 使用四个字节存储

注意，只有 UTF-8 兼容 ASCII，UTF-32 和 UTF-16 都不兼容 ASCII，因为它们没有单字节编码。

所以 UTF-8 和 UTF-16/32 都各有优缺点，因此选择的时候应当立足于实际的应用场景。实际上，我们在普通的应用开发中，基本不太关系这个。99%的场景是直接使用了UTF-8。我认为这并没有多大问题，UTF-8的变长特性，决定了以后即使继续增加人类语言字符，utf-8都可以放下，反观utf-16/32可能会有问题。

Java中的编解码

编码解码主要发生在字符和字节的转换过程中，这个场景一般就是IO，包括磁盘IO和网络IO

io中的编解码

解码就是由字节到字符的转换，如从网络上拿来的二进制流，转换成汉字。

Reader 类是 Java 的 I/O 中读字符的父类，而 InputStream 类是读字节的父类，InputStreamReader 类就是关联字节到字符的桥梁，它负责在 I/O 过程中处理读取字节到字符的转换，而具体字节到字符的解码实现它由 StreamDecoder 去实现，在 StreamDecoder 解码过程中必须由用户指定 Charset 编码格式。值得注意的是如果你没有指定 Charset，将使用本地环境中的默认字符集，例如在中文环境中将使用 GBK 编码。

写的情况也是类似，写字符的父类是 Writer，写字节的父类是 OutputStream，通过 OutputStreamWriter 转换字符到字节。如下图所示：

同样 StreamEncoder 类负责将字符编码成字节，编码格式和默认编码规则与解码是一致的。

写个代码测试一下：

public class IOTest { @Test public void testWrite() throws Exception { String file = "d:/test1.txt"; String charset = "UTF-8"; // 写字符换转成字节流 FileOutputStream outputStream = new FileOutputStream(file); OutputStreamWriter writer = new OutputStreamWriter( outputStream, charset); try { writer.write("保存点中文字符"); } finally { writer.close(); } } @Test public void testRead() throws Exception { String file = "d:/test1.txt"; String charset = "UTF-8"; // 读取字节转换成字符 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.toString()); }}

你可以改下字符集，多测几次。读写使用不同的字符集会乱码。

我们在写代码的时候，一定要手动指定下字符集，不要使用默认。虽然在一台机器上，不会出问题。一旦涉及到跨机器可能有异常。

我们可以看下默认的字符集到底是啥。

这是jdk的源码。在vm启动时，找有没有配file.encoding参数，配了，去找对应的字符集。如果字符集比较特殊，在不同的机器上有可能找不到的。否则就是UTF-8

/**

* Returns the default charset of this Java virtual machine.

* <p> The default charset is determined during virtual-machine startup and

* typically depends upon the locale and charset of the underlying

* operating system.

* @return A charset object for the default charset

* @since 1.5

public static Charset defaultCharset() {