【转载】计算机程序的思惟逻辑 (7) - 如何从乱码中恢复 (下)？

乱码

上节说到乱码出现的主要缘由，即在进行编码转换的时候，若是将原来的编码识别错了，并进行了转换，就会发生乱码，并且这时候不管怎么切换查看编码的方式，都是不行的。

咱们来看一个这种错误转换后的乱码，仍是用上节的例子，二进制是(16进制表示)：C3 80 C3 8F C3 82 C3 AD，不管按哪一种编码解析看上去都是乱码：

UTF-8	ÀÏÂí
Windows-1252	ÀÏÂí
GB18030	脌脧脗铆
Big5	���穩

虽然有这么多形式，但咱们看到的乱码形式极可能是"ÀÏÂí"，由于在例子中UTF-8是编码转换的目标编码格式，既然转换为了UTF-8，通常也是要按UTF-8查看。

乱码恢复

"乱"主要是由于发生了一次错误的编码转换，恢复是要恢复两个关键信息，一个是原来的二进制编码方式A，另外一个是错误解读的编码方式B。

恢复的基本思路是尝试进行逆向操做，假定按一种编码转换方式B获取乱码的二进制格式，而后再假定一种编码解读方式A解读这个二进制，查看其看上去的形式，这个要尝试多种编码，若是能找到看着正常的字符形式，那应该就能够恢复。

这个听上去可能比较模糊，咱们举个例子来讲明，假定乱码形式是"ÀÏÂí"，尝试多种B和A来看字符形式。咱们先使用编辑器，以UltraEdit为例，而后使用Java编程来看。

使用UltraEdit

UltraEdit支持编码转换和切换查看编码方式，也支持文件的二进制显示和编辑，因此咱们以UltraEdit为例，其余一些编辑器可能也有相似功能。

新建一个UTF-8编码的文件，拷贝"ÀÏÂí"到文件中。使用编码转换，转换到windows-1252编码，功能在 "文件"->"转换到"->"西欧"->WIN-1252。
转换完后，打开十六进制编辑，查看其二进制形式，以下图所示：

 

能够看出，其形式仍是ÀÏÂí，但二进制格式变成了 C0 CF C2 ED。这个过程，至关于假设B是windows-1252。这个时候，再按照多种编码格式查看这个二进制，在UltraEdit中，关闭十六进制编辑，切换查看编码方式为GB18030，功能在 "视图"->"查看方式（文件编码）"->"东亚语言"->GB18030，切换完后，一样的二进制神奇的变为了正确的字符形式 "老马"，打开十六进制编辑器，能够看出，二进制仍是C0 CF C2 ED，这个GB18030至关于假设A是GB18030。

这个例子咱们碰巧第一次就猜对了。实际中，咱们可能要作屡次尝试，过程是相似的，先进行编码转换（使用B编码），而后使用不一样编码方式查看（使用A编码），若是能找到看上去对的形式，就恢复了。下图列出了主要的B编码格式，对应的二进制，按A编码解读的各类形式。

能够看出，第一行是正确的，也就是说原来的编码实际上是A即GB18030，但被错误解读成了B即Windows-1252了。

使用Java

关于使用Java咱们还有不少知识没有介绍，但一些读者已经有很好的Java知识，因此本文一并列出相关代码，初学者不明白的咱们随后会进一步讲解。

Java中处理字符串的类有String，String中有咱们须要的两个重要方法：

• public byte[] getBytes(String charsetName)，这个方法能够获取一个字符串的给定编码格式的二进制形式
• public String(byte bytes[], String charsetName)，这个构造方法以给定的二进制数组bytes按照编码格式charsetName解读为一个字符串。

将A看作GB18030，B看作Windows-1252，进行恢复的Java代码以下所示：

String str = "ÀÏÂí";
String newStr = new String(str.getBytes("windows-1252"),"GB18030");
System.out.println(newStr);

先按照B编码(windows-1252)获取字符串的二进制，而后按A编码(GB18030)解读这个二进制，获得一个新的字符串，而后输出这个字符串的形式，输出为"老马"。

一样，这个一次碰巧就对了，实际中，咱们能够写一个循环，测试不一样的A/B编码中的结果形式，代码以下所示：

public static void recover(String str) 
        throws UnsupportedEncodingException{
    String[] charsets = new String[]{"windows-1252","GB18030","Big5","UTF-8"};
    for(int i=0;i<charsets.length;i++){
        for(int j=0;j<charsets.length;j++){
            if(i!=j){
                String s = new String(str.getBytes(charsets[i]),charsets[j]);
                System.out.println("---- 原来编码(A)假设是: "+charsets[j]+", 被错误解读为了(B): "+charsets[i]);
                System.out.println(s);
                System.out.println();    
            }
        }
    }
} 

以上代码使用不一样的编码格式进行测试，若是输出有正确的，那么就能够恢复。

恢复的讨论

能够看出，这种尝试须要进行不少次，上面例子尝试了常见编码GB18030/Windows 1252/Big5/UTF-8共十二种组合。这四种编码是常见编码，在大部分实际应用中应该够了，但若是你的状况有其余编码，能够增长一些尝试。

不是全部的乱码形式都是能够恢复的，若是形式中有不少不能识别的字符如�?，则很难恢复，另外，若是乱码是因为进行了屡次解析和转换错误形成的，也很难恢复。

小结

上节和本节介绍了编码的知识，乱码的缘由及恢复方法，这些都是与语言无关的。

接下来，是时候看看在Java中如何表示和处理字符了，咱们知道Java中用char类型表示一个字符，但在第三节咱们提到了一个问题，即"字符类型怎么也能够进行算术运算和比较?"。

咱们须要对Java中的字符类型有一个更为清晰和深入的理解。