Java中文问题详解,底层编码解剖
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);
如果你不指定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{
***.out.println(Integer.toHexString(c));
}
打印出来是0x4F60
但是如果使用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{
***.out.println(Integer.toHexString(b));
}
打印出来是：0xC4，0xE3
例2
如果用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"?"
页:
[1]