Java中文问题详解,底层编码解剖

核心提示：预备知识：1.字节和unicodejava内核是unicode的，就连class文件也是，Java中文问题详解,底层编码解剖，但是很多媒体，包括文件/流的保存方式是使用字节流的，encoding);char []c=new char[10];int length=reader.read(c);for(int i=0;i

　　预备知识：

1.字节和unicode
　　java内核是unicode的，就连class文件也是，但是很多媒体，包括文件/流的保存方式是使用字节流的。 因此Java要对这些字节流经行转化。char是unicode的，而byte是字节.Java中byte/char互转的函数在sun.io的包中间有。其中ByteToCharConverter类是中调度，可以用来告诉你，你用的Convertor。其中两个很常用的静态函数是。

　　public static ByteToCharConverter getDefault() ;
　　public static ByteToCharConverter getConverter(String encoding);
　　假如你不指定converter，则系统会自动使用当前的Encoding，GB平台上用GBK，EN平台上用8859_1
　　
　　我们来就一个简单的例子：
　　"你"的gb码是：0xC4E3 ，unicode是0x4F60
　　你用:

　　encoding="gb2312";
　　byte b[]={(byte)'\u00c4'，(byte)'\u00E3'};
　　convertor=ByteToCharConverter.getConverter(encoding);
　　char [] c=converter.convertAll(b);
　　for(int i=0;i<c.length;c++)
　　{
　　***.out.PRintln(Integer.toHexString(c[i]));
　　}
　　打印出来是0x4F60
　　但是假如使用8859_1的编码，打印出来是
　　0x00C4，0x00E3
　　例１
　　反过来：

　　encoding="gb2312";
　　char c[]={'\u4F60'};
　　convertor=ByteToCharConverter.getConverter(encoding);
　　byte [] b=converter.convertAll(c);
　　for(int i=0;i<b.length;c++)
　　{
　　***.out.println(Integer.toHexString(b[i]));
　　}
　　打印出来是：0xC4，0xE3
　　例２
　　假如用8859_1就是0x3F，?号，表示无法转化　　　　　
　　很多中文问题就是从这两个最简单的类派生出来的。而却有很多类不直接支持把Encoding输入，这给我们带来诸多不便。很多程序难得用encoding了，直接用default的encoding，这就给我们移植带来了很多困难
　　
　　2.UTF-8
　　UTF-8是和Unicode一一对应的，其实现很简单
　　
　　7位的Unicode: 0 _ _ _ _ _ _ _
　　11位的Unicode: 1 1 0 _ _ _ _ _ 1 0 _ _ _ _ _ _
　　16位的Unicode: 1 1 1 0 _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _
　　21位的Unicode: 1 1 1 1 0 _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _
　　大多数情况是只使用到16位以下的Unicode:
　　你"的gb码是：0xC4E3 ，unicode是0x4F60
　　我们还是用上面的例子
　　例１：0xC4E3的二进制：
　　1 1 0 0 0 1 0 0 1 1 1 0 0 0 1 1
　　由于只有两位我们按照两位的编码来排，但是我们发现这行不通，
　　因为第７位不是0因此，返回"?"

　　
　　例２：0x4F60的二进制：
　　0 1 0 0 1 1 1 1 0 1 1 0 0 0 0 0
　　我们用UTF-8补齐，变成：
　　11100100 10111101 10100000
　　E4--BD-- A0
　　于是返回0xE4，0xBD，0xA0

3.String和byte[]
　　String其实核心是char[]，然而要把byte转化成String，必须经过编码。
　　String.length()其实就是char数组的长度，假如使用不同的编码，很可能会错分，造成散字和乱码。
　　例：

　　byte [] b={(byte)'\u00c4'，(byte)'\u00e3'};
　　String str=new String(b，encoding);　　
　　假如encoding=8859_1，会有两个字，但是encoding=gb2312只有一个字
　　这个问题在处理分页是经常发生

　　4.Reader，Writer/InputStream，OutputStream
　　Reader和Writer核心是char，InputStream和OutputStream核心是byte。
　　但是Reader和Writer的主要目的是要把Char读/写InputStream/OutputStream
　　一个reader的例子：
　　文件test.txt只有一个"你"字，0xC4，0xE3


　　String encoding=;
　　InputStreamReader reader=new InputStreamReader(
　　new FileInputStream("text.txt")，encoding);
　　char []c=new char[10];
　　int length=reader.read(c);
　　for(int i=0;i<c.length;i++)
　　***.out.println(c[i]);
　　假如encoding是gb2312，则只有一个字符，假如encoding=8859_1，则有两个字符

2.我们要对Java的编译器有所了解：