JAVA字符编码系列二：Unicode,ISO-8859,GBK,UTF-8编码及相互转换

这两天抽时间又总结/整理了一下各类编码的实际编码方式，和在Java应用中的使用状况，在这里记录下来以便往后参考。
为了构成一个完整的对文字编码的认识和深刻把握，以便处理在Java开发过程当中遇到的各类问题，特别是乱码问题，我以为组成一个系列来描述和分析更好一些，包括三篇文章：
第一篇：JAVA字符编码系列一：Unicode,GBK,GB2312,UTF-8概念基础
第二篇：JAVA字符编码系列二：Unicode,ISO-8859,GBK,UTF-8编码及相互转换
第三篇：JAVA字符编码系列三：Java应用中的编码问题
 
 
第二篇：JAVA字符编码系列二：Unicode,ISO-8859-1,GBK,UTF-8编码及相互转换
 
１、函数介绍
在Java中，字符串用统一的Unicode编码，每一个字符占用两个字节，与编码有关的两个主要函数为：
１）将字符串用指定的编码集合解析成字节数组，完成Unicode－〉charsetName转换
public byte[] getBytes(String charsetName) throws UnsupportedEncodingException　
 
２）将字节数组以指定的编码集合构形成字符串，完成charsetName－〉Unicode转换
public String(byte[] bytes, String charsetName) throws UnsupportedEncodingException
 
２、Unicode与各编码之间的直接转换
下面以对中文字符串＂ａ中文＂的编码转换为例，来了解各类编码之间的转换
１）Unicode和GBK
测试结果以下，每一个汉字转换为两个字节，且是可逆的，即经过字节能够转换回字符串
String－GBK〉ByteArray：\u0061\u4E2D\u6587（a中文）－〉0x61 0xD6 0xD0 0xCE 0xC4
ByteArray－GBK〉String：0x61 0xD6 0xD0 0xCE 0xC4－〉\u0061\u4E2D\u6587（a中文）
 
２）Unicode和UTF-8
测试结果以下，每一个汉字转换为三个字节，且是可逆的，即经过字节能够转换回字符串
String－UTF-8〉ByteArray：\u0061\u4E2D\u6587（a中文）－〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87
ByteArray－UTF-8〉String：0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87－〉\u0061\u4E2D\u6587（a中文）
３）Unicode和ISO-8859-1
测试结果以下，当存在汉字时转换失败，非可逆，即经过字节不能再转换回字符串
String－ISO-8859-1〉ByteArray：\u0061\u4E2D\u6587（a中文）－〉0x61 0x3F 0x3F
ByteArray－ISO-8859-1〉String：0x61 0x3F 0x3F－〉\u0061\u003F\u003F（a??）
３、Unicode与各编码之间的交叉转换
在上面直接转换中，由字符串（Unicode）生成的字节数组，在构造回字符串时，使用的是正确的编码集合，若是使用的不是正确的编码集合会怎样呢？会正确构造吗？若是不能正确构造能有办法恢复吗？会信息丢失吗？
 
下面咱们就来看看这种状况，这部分能够说明在某些状况下虽然咱们最终正确显示告终果，但其间仍然进行了不正确的转换。
 
１）可以正确显示的中间不正确转换
咱们知道String－GBK〉ByteArray－GBK〉String是正确的，但若是咱们采用String－GBK〉ByteArray－ISO-8859-1〉String呢？经过测试结果以下：
String－GBK〉ByteArray－ISO-8859-1〉String：\u0061\u4E2D\u6587（a中文）－〉0x61 0xD6 0xD0 0xCE 0xC4－〉\u0061\u00D6\u00D0\u00CE\u00C4（a????）
 
这时咱们获得的字符串为？乱码“a????”，可是经过继续转换咱们仍然能够复原回正确的字符串“a中文”，过程以下：
String－GBK〉ByteArray－ISO-8859-1〉String－ISO-8859-1〉ByteArray－GBK〉String
对应：\u0061\u4E2D\u6587（a中文）－〉0x61 0xD6 0xD0 0xCE 0xC4－〉\u0061\u00D6\u00D0\u00CE\u00C4（a????）－〉0x61 0xD6 0xD0 0xCE 0xC4－〉\u0061\u4E2D\u6587（a中文）
 
也就是咱们在首次构造字符串时，咱们用了错误的编码集合获得了错误的乱码，可是咱们经过错上加错，再用错误的编码集合获取字节数组，而后再用正确的编码集合构造，就又恢复了正确的字符串。这时就属因而“可以正确显示的中间不正确转换”。在Jsp页面提交数据处理时经常发生这种状况。
 
此外可以正确显示的中间不正确转换还有：
String－UTF-8〉ByteArray－ISO-8859-1〉String－ISO-8859-1〉ByteArray－UTF-8〉String
和
String－UTF-8〉ByteArray－GBK〉String－GBK〉ByteArray－UTF-8〉String
对应：\u0061\u4E2D\u6587（a中文）－〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87－〉\u0061\u6D93\uE15F\u6783（a涓枃）－〉0x61 0xE4 0xB8 0xAD 0xE6%0x96 0x87－〉\u0061\u4E2D\u6587（a中文）
 
４、编码过程当中错误诊断参考
１）一个汉字对应一个问号
在经过ISO-8859-1从字符串获取字节数组时，因为一个Unicode转换成一个byte，当遇到不认识的Unicode时，转换为0x3F，这样不管用哪一种编码构造时都会产生一个？乱码。
２）一个汉字对应两个问号
在经过GBK从字符串获取字节数组时，因为一个Unicode转换成两个byte，若是此时用ISO-8859-1或用UTF-8构造字符串就会出现两个问号。
如果经过ISO-8859-1构造能够再经过上面所说的错上加错恢复（即再经过从ISO-8859-1解析，用GBK构造）；
如果经过UTF-8构造则会产生Unicode字符＂\uFFFD＂，不能恢复，若再经过String－UTF-8〉ByteArray－GBK〉String，则会出现杂码，如a锟斤拷锟斤拷
３）一个汉字对应三个问号
在经过UTF-8从字符串获取字节数组时，因为一个Unicode转换成三个byte，若是此时用ISO-8859-1构造字符串就会出现三个问号；用GBK构造字符串就会出现杂码，如a涓枃。

本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/qinysong/archive/2006/09/05/1179489.aspx