java String.getBytes()编码问题——String.getBytes(charset)

String的getBytes()方法是得到一个字串的字节数组，这是众所周知的。但特别要注意的是，本方法将返回该操作系统默认的编码格式的字节数组。如果你在使用这个方法时不考虑到这一点，你会发现在一个平台上运行良好的系统，放到另外一台机器后会产生意想不到的问题。比如下面的程序:

class TestCharset { 

public static void main(String[] args) { 

new TestCharset().execute(); 

} 

private void execute() { 

String s = "Hello!你好！"; 

byte[] bytes = s.getBytes();

System.out.println("bytes lenght is:" + bytes.length); 

} 

}

在一个中文WindowsXP系统下，运行时，结果为：

bytes lenght is:12

但是如果放到了一个英文的UNIX环境下运行：

$ java TestCharset bytes lenght is:9

如果你的程序依赖于该结果，将在后续操作中引起问题。为什么在一个系统中结果为12，而在另外一个却变成了9了呢？上面已经提到了，该方法是和平台（编码）相关的。

在中文操作系统中，getBytes方法返回的是一个GBK或者GB2312的中文编码的字节数组，其中中文字符，各占两个字节。而在英文平台中，一般的默认编码是“ISO-8859-1”，每个字符都只取一个字节（而不管是否非拉丁字符）。

Java中的编码支持

Java是支持多国编码的，在Java中，字符都是以Unicode进行存储的，比如，“你”字的Unicode编码是“4f60”，我们可以通过下面的实验代码来验证：

class TestCharset { 

public static void main(String[] args) { 

char c = '你'; 

int i = c; 

System.out.println(c); 

System.out.println(i); 

} 

}

不管你在任何平台上执行，都会有相同的输出：

20320

20320就是Unicode “4f60”的整数值。其实，你可以反编译上面的类，可以发现在生成的.class文件中字符“你”（或者其它任何中文字串）本身就是以Unicode编码进行存储的：

char c = '/u4F60'; ... ...

即使你知道了编码的编码格式，比如：

javac -encoding GBK TestCharset.java

编译后生成的.class文件中仍然是以Unicode格式存储中文字符或字符串的。使用String.getBytes(String charset)方法

所以，为了避免这种问题，我建议大家都在编码中使用String.getBytes(String charset)方法。下面我们将从字串分别提取ISO-8859-1和GBK两种编码格式的字节数组，看看会有什么结果：

package org.bruce.file.handle.experiment;  

class TestCharset3 {
    public static void main(String[] args) {
        new TestCharset3().execute();
    }  

    private void execute() {
        String s = "Hello!你好！";
        byte[] bytesISO8859 = null;
        byte[] bytesGBK = null;
        try {
            bytesISO8859 = s.getBytes("iso-8859-1");
            bytesGBK = s.getBytes("GBK");
        } catch (java.io.UnsupportedEncodingException e) {
            e.printStackTrace();
        }
        System.out.println("-------------- /n 8859 bytes:");
        System.out.println("bytes is: " + arrayToString(bytesISO8859));
        System.out.println("hex format is:" + encodeHex(bytesISO8859));
        System.out.println();
        System.out.println("-------------- /n GBK bytes:");
        System.out.println("bytes is: " + arrayToString(bytesGBK));
        System.out.println("hex format is:" + encodeHex(bytesGBK));
    }  

    public static final String encodeHex(byte[] bytes) {
        StringBuffer buff = new StringBuffer(bytes.length * 2);
        String b;
        for (int i = 0; i < bytes.length; i++) {
            b = Integer.toHexString(bytes[i]);
            // byte是两个字节的， 而上面的Integer.toHexString会把字节扩展为4个字节
            buff.append(b.length() > 2 ? b.substring(6, 8) : b);
            buff.append(" ");
        }
        return buff.toString();
    }  

    public static final String arrayToString(byte[] bytes) {
        StringBuffer buff = new StringBuffer();
        for (int i = 0; i < bytes.length; i++) {
            buff.append(bytes[i] + " ");
        }
        return buff.toString();
    }
}  

执行上面程序将打印出：

-------------- 8859 bytes: bytes is: 72 101 108 108 111 33 63 63 63 

hex format is:48 65 6c 6c 6f 21 3f 3f 3f 

--------------  GBK bytes: bytes is: 72 101 108 108 111 33 -60 -29 -70 -61 -93 -95 

hex format is:48 65 6c 6c 6f 21 c4 e3 ba c3 a3 a1

可见，在s中提取的8859-1格式的字节数组长度为9，中文字符都变成了“63”，ASCII码为63的是“?”，一些国外的程序在国内中文环境下运行时，经常出现乱码，上面布满了“?”，就是因为编码没有进行正确处理的结果。

而提取的GBK编码的字节数组中正确得到了中文字符的GBK编码。字符“你”“好”“！”的GBK编码分别是：“c4e3”“bac3”“a3a1”。得到了正确的以GBK编码的字节数组，以后需要还原为中文字串时，可以使用下面方法：

new String(byte[] bytes, String charset)

　　 mysql 不支持 unicode，所以比较麻烦。
　　 将 connectionString 设置成 encoding 为 gb2312
　　 String connectionString
　　 = "jdbc:mysql://localhost/test?useUnicode=true&characterEncoding=gb2312";
　　
　　测试代码：
　　 String str = "汉字";
　　 PreparedStatement pStmt = conn.prepareStatement("INSERT INTO test VALUES (?)");
　　 pStmt.setString(1,str);
　　 pStmt.executeUpdate();
　　
　　数据库表格：
　　 create table test (
　　 name char(10)
　　 )
　　
　　
　　连接 Oracle Database Server
　　-------------------------------------------------------------------------------
　　 在把汉字字符串插入数据库前做如下转换操作：
　　 String(str.getBytes("ISO8859_1"),"gb2312")
　　
　　测试代码：
　　 String str = "汉字";
　　 PreparedStatement pStmt = conn.prepareStatement("INSERT INTO test VALUES (?)");
　　 pStmt.setString(1,new String(str.getBytes("ISO8859_1"),"gb2312");
　　 pStmt.executeUpdate();
　　
　　
　　Servlet
　　-------------------------------------------------------------------------------
　　 在 Servlet 开头加上两句话：
　　 response.setContentType("text/html;charset=UTF-8");
　　 request.setCharacterEncoding("UTF-8");
　　
　　JSP
　　-------------------------------------------------------------------------------

 @Test
     public void testBytes(){
         //字节数
         //中文：ISO:1 GBK：2 UTF-8:3
         //数字或字母： ISO:1 GBK:1 UTF-8:1
         String username = "中";
         try {
             //得到指定编码的字节数组    字符串--->字节数组
             byte[] u_iso=username.getBytes("ISO8859-1");
             byte[] u_gbk=username.getBytes("GBK");
             byte[] u_utf8=username.getBytes("utf-8");
             System.out.println(u_iso.length);
             System.out.println(u_gbk.length);
             System.out.println(u_utf8.length);
             //跟上面刚好是逆向的，字节数组---->字符串
             String un_iso=new String(u_iso, "ISO8859-1");
             String un_gbk=new String(u_gbk, "GBK");
             String un_utf8=new String(u_utf8, "utf-8");
             System.out.println(un_iso);
             System.out.println(un_gbk);
             System.out.println(un_utf8);
             //有时候必须是iso字符编码类型，那处理方式如下
             String un_utf8_iso=new String(u_utf8, "ISO8859-1");
             //将iso编码的字符串进行还原
             String un_iso_utf8=new String(un_utf8_iso.getBytes("ISO8859-1"),"UTF-8");
             System.out.println(un_iso_utf8);                  

         } catch (UnsupportedEncodingException e) {
             // TODO Auto-generated catch block
             e.printStackTrace();
         }
     }  

测试结果：

1
 2
 3
 ?
 中
 中
 ä¸­
 中

从转载的文章摘：

乱码原因：为什么使用ISO8859-1编码再组合之后,无法还原"中"字呢,其实原因很简单,因为ISO8859-1编码的编码表中,根本就没有包含汉字字符,当然也就无法通过"中".getBytes("ISO8859-1");来得到正确的"中"字在ISO8859-1中的编码值了,所以再通过new String()来还原就无从谈起了.

有时候,为了让中文字符适应某些特殊要求(如http header头要求其内容必须为iso8859-1编码),可能会通过将中文字符按照字节方式来编码的情况,如:
String s_iso88591 = new String("中".getBytes("UTF-8"),"ISO8859-1"),这样得到的s_iso8859-1字符串实际是三个在ISO8859-1中的字符,在将这些字符传递到目的地后,目的地程序再通过相反的方式String s_utf8 = new String(s_iso88591.getBytes("ISO8859-1"),"UTF-8")来得到正确的中文汉字"中".这样就既保证了遵守协议规定、也支持中文.

转自：http://blog.csdn.net/yang3wei/article/details/7381578          http://blog.csdn.net/techbirds_bao/article/details/8555449