读取数据库Blob类型的文本数据

开发一个查询功能时，遇到了一个ORM的问题：数据库字段是 Blob 类型，里面实际存储的是文本数据，Java 后端代码中用字符串 String 类型去接收这个字段的数据时，报错，提示没有对应的setter方法，类型不匹配；换成 byte[] 字节数组类型去接收这个字段的数据，依然报错，同样是找不到setter方法，类型不匹配；最后只好将Java中对应的变量类型改为 java.sql.Blob 类型去接收对应的数据，不报错了，但如何取获取其中的文本数据呢？

使用的代码如下：

private String getTextFromBlob(Blob blob) {
    int i = 1;
    byte btArr[] = new byte[0];
    try {
        while (i < blob.length()) {
            byte[] bytes = blob.getBytes(i, 1024);
            btArr = ArrayUtils.addAll(btArr, bytes);
            i += 1024;
        }
        return new String(btArr, "GB2312");
    } catch (Exception e) {
        logger.error(e.getMessage(), e);
        return null;
    }
}

代码逻辑并不复杂，但其实这地方有一个坑，需要注意一下。

最开始的时候写的代码并不是这样，我在 while 循环里每次拿 1024 个字节的数据，然后使用 new  String(bytes,"GB2312") 得到字符串，再用 StringBuilder 把每次循环得到的字符串拼接起来，最后 stringBuilder.toString() 返回完整的字符串内容。

写完之后，测试，没问题。但紧接着，我想到了一个问题：我每次拿1024个字节，会不会正好把组成一个汉字的两个字节拆分开呢？

答案是肯定的。虽然 GB2312 编码字符集固定使用 2 个字节来存储汉字，但是 GB2312字符集在存储 ASCII 字符的时候，用的是 1 个字节来存储。也就是说，对于英文字母、数字、英文标点，GB2312 用一个字节存储；对于中文，则使用两个字节存储。这样的话就没法保证每次拿1024个字节不会把某个汉字的两个字节拆分成两段。

因为数据库中的文字都比较短，没有超过一百个字的，程序每次拿1024个字节就把所有的内容都拿完了，所以在测试中返回的文本都是正常的。改了一下代码，把 1024 改成 10，每次拿10个字节，果然出现了乱码问题，文本中的部分中文出现了乱码，而其他部分的中文是正常的。

最后改成了上面的代码，每次依然拿固定长度的字节，然后把结果都放到一个 byte[] 字节数组里，等拿完所有的字节之后，使用 new  String(bytes,"GB2312") 得到字符串，这样就避免了上面的问题。实际测试之后（每次拿10个字节），返回的文本正常，没有乱码。

当然这个代码并不完美，代码里使用 apache collections 包里的 ArrayUtils.addAll(byte[] b,byte[] c) 方法来把两个字节数据拼到一块，其内部的实现方法就是创建一个大数组，然后把两个数据的内容依次放进去，这样的话每次都要开辟一个新的内存空间，效率并不高，如果数据量大的话，会有很大的性能开销。

一个比较好的解决方案就是：自己定义一个大数组，每次循环把取到的内容放到这个大数组对应的位置上，避免每次都要 new 一个数组出来，性能更好。缺点就是代码逻辑会复杂一些。

总结：

在对字节流进行读取、拆分的时候，需要注意会不会把表示一个字符的几个字节给误拆分了，这样最后得到的内容会有部分乱码。像常见的GB2312、UTF-8、UTF-16等都是变长的方式进行字节存储，不能进行拆分；而像 UCS-2 这样的字符集，固定使用两个字节存储，按偶数进行拆分就没问题。