(转)java byte与char、String互转原理

2009-10-21 19:22

转：http://www.cnblogs.com/bluespot/archive/2008/10/23/1318155.html

一、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。 

byte ——〉char： 

"你"的gb码是：0xc4e3 ,unicode是0x4f60 

String encoding = "gb2312"; 

byte b[] = {(byte)'\":"color:#000000;font-family:宋体;font-size:16px00c4',(byte)'\ã'}; 

ByteToCharConverter converter = ByteToCharConverter.getConverter(encoding); 

char c[] = converter.convertAll(b); 

for (int i = 0; i < c.length; i++) { 

System.out.println(Integer.toHexString(c[i])); 

} 

结果是什么？0x4f60 

如果encoding ="8859_1"，结果又是什么？0x00c4,0x00e3 

如果代码改为： 

byte b[] = {(byte)'\":"color:#000000;font-family:宋体;font-size:16px00c4',(byte)'\ã'}; 

ByteToCharConverter converter = ByteToCharConverter. getDefault(); 

char c[] = converter.convertAll(b); 

for (int i = 0; i < c.length; i++) { 

System.out.println(Integer.toHexString(c[i])); 

} 

结果将又是什么？ 

这就要根据平台的编码而定。 

char ——〉byte： 

String encoding = "gb2312"; 

char c[] = {'\":"color:#000000;font-family:宋体;font-size:16px4f60'}; 

CharToByteConverter converter = CharToByteConverter.getConverter(encoding); 

byte b[] = converter.convertAll(c); 

for (int i = 0; i < b.length; i++) { 

System.out.println(Integer.toHexString(b[i])); 

} 

结果是什么？0x00c4,0x00e3 

如果encoding ="8859_1"，结果又是什么？0x3f 

如果代码改为 

String encoding = "gb2312"; 

char c[] = {'\":"color:#000000;font-family:宋体;font-size:16px4f60'}; 

CharToByteConverter converter = CharToByteConverter.getDefault(); 

byte b[] = converter.convertAll(c); 

for (int i = 0; i < b.length; i++) { 

System.out.println(Integer.toHexString(b[i])); 

} 

结果将又是什么？还是根据平台的编码而定。 

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。 

二、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 

0xc4e3的二进制： 

1100 ，0100 ，1110 ，0011 

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"?" 

0x4f60的二进制： 

0100 ，1111 ，0110 ，0000 

我们用utf-8补齐，变成： 

1110 ，0100 ，1011 ，1101 ，1010 ，0000 

e4--bd-- a0 

于是返回：0xe4,0xbd,0xa0。 

三、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，如果使用不同的编码，很可能会错分，造成散字和乱码。例如： 

String encoding = “”; 

byte [] b={(byte)'\":"color:#000000;font-family:宋体;font-size:16px00c4',(byte)'\ã'}; 

String str=new String(b,encoding); 

如果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。 

四、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。例如： 

文件test.txt只有一个"你"字，0xc4,0xe3 

String encoding = "gb2312"; 

InputStreamReader reader = new InputStreamReader(new FileInputStream( 

"text.txt"), encoding); 

char c[] = new char[10]; 

int length = reader.read(c); 

for (int i = 0; i < length; i++) { 

System.out.println(c[i]); 

} 

结果是什么？是"你"。如果encoding ="8859_1"，结果是什么？""两个字符，表示不认识。反过来的例子自己做。 

五、我们要对Java的编译器有所了解： 

Javac ?encoding 

我们常常没有用到encoding这个参数。其实encoding这个参数对于跨平台的操作是很重要的。如果没有指定encoding，则按照系统的默认 encoding,gb平台上是gb2312，英文平台上是iso8859_1。Java的编译器实际上是调用sun.tools.Javac.main 的类，对文件进行编译，这个类有compile函数中间有一个encoding的变量,-encoding的参数其实直接传给encoding变量。编译器就是根据这个变量来读取Java文件的，然后把用utf-8形式编译成class文件。例子代码： 

String str = "你"; 

FileWriter writer = new FileWriter("text.txt"); 

write.write(str); 

writer.close(); 

如果用gb2312编译，你会找到e4 bd a0的字段 ； 

如果用8859_1编译， 00c4 00e3的二进制： 

0000，0000 ，1100，0100 ，0000，0000 ，1110，0011 

因为每个字符都大于7位，因此用11位编码： 

1100，0001，1000，0100，1100，0011，1010，0011 

c1-- 84--　c3--　 a3 

你会找到c1 84 c3 a3 

但是我们往往忽略掉这个参数，因此这样往往会有跨平台的问题： 

样例代码在中文平台上编译，生成zhclass 

样例代码在英文平台上编译，输出enclass 

(1) zhclass在中文平台上执行ok,但是在英文平台上不行 

(2) enclass在英文平台上执行ok,但是在中文平台上不行 

原因是： 

(1) 在中文平台上编译后，其实str在运行态的char[]是0x4f60,　在中文平台上运行，filewriter的缺省编码是gb2312,因此 chartobyteconverter会自动用调用gb2312的converter,把str转化成byte输入到fileoutputstream 中，于是0xc4,0xe3放进了文件。但是如果是在英文平台下，chartobyteconverter的缺省值是8859_1, filewriter会自动调用8859_1去转化str,但是他无法解释，因此他会输出"?" 

(2) 在英文平台上编译后，其实str在运行态的char[]