理解并解决GBK转UTF-8奇数中文乱码(转)

最近在做一个反馈功能,把数据反馈到对方公司网站,我公司是GBK编码,对方公司是UTF-8编码。因此,我需要将GBK编码数据转换成UTF-8编码数据,这样对方网站才不会乱码。最简单的方法是将HttpClient的ContentCharset设置为utf-8;如果ContentCharset是gbk并且又不想设置为utf-8,那么就需要将数据转换成UTF-8编码再发到对方网站。

问题出现:GBK转UTF-8时,奇数个中文会乱码,偶数个中文不会乱码。
三个中文

  1. public static void encodeError() throws UnsupportedEncodingException {
  2. String gbk = "我来了";
  3. String utf8 = new String(gbk.getBytes("UTF-8"));
  4. //模拟UTF-8编码的网站显示
  5. System.out.println(new String(utf8.getBytes(),"UTF-8"));
  6. }
  7. /*
  8. 我来??
  9. */

前面三个中文,后面一个中文,都是奇数

  1. public static void encodeError2() throws UnsupportedEncodingException {
  2. String gbk = "今年是2011年";
  3. String utf8 = new String(gbk.getBytes("UTF-8"));
  4. //模拟UTF-8编码的网站显示
  5. System.out.println(new String(utf8.getBytes(),"UTF-8"));
  6. }
  7. /*
  8. 今年??011??
  9. */

原因:为什么只有奇数个中文才乱码,偶数个却不乱码?下面来分析原因

  1. public static void analyze() throws UnsupportedEncodingException {
  2. String gbk = "我来了";
  3. String utf8 = new String(gbk.getBytes("UTF-8"));
  4. for (byte b : gbk.getBytes("UTF-8")) {
  5. System.out.print(b + " ");
  6. }
  7. System.out.println();
  8. for (byte b : utf8.getBytes()) {
  9. System.out.print(b + " ");
  10. }
  11. }
  12. /*
  13. -26 -120 -111 -26 -99 -91 -28 -70 -122
  14. -26 -120 -111 -26 -99 -91 -28 -70 63
  15. */

注意最后一个字节不同,上面一行才是正确的UTF-8编码。那么为什么下面一行最后一个字节是63,而不是-122呢?这就是导致乱码的原因所在。
GBK编码是一个中文2个字节,而UTF-8编码是一个中文3个字节,当我们调用getBytes("UTF-8")方法时,会通过计算来增加字节,使得从GBK的2个字节变成UTF-8对应的3个字节。因此,上例3个中文输出了9个字节。

这里讲一下怎么通过计算增加字节,不深究的读者可以跳过此段。为了醒目,直接用代码讲解

  1. public static void gbk2Utf() throws UnsupportedEncodingException {
  2. String gbk = "我来了";
  3. char[] c = gbk.toCharArray();
  4. byte[] fullByte = new byte[3*c.length];
  5. for (int i=0; i<c.length; i++) {
  6. String binary = Integer.toBinaryString(c[i]);
  7. StringBuffer sb = new StringBuffer();
  8. int len = 16 - binary.length();
  9. //前面补零
  10. for(int j=0; j<len; j++){
  11. sb.append("0");
  12. }
  13. sb.append(binary);
  14. //增加位,达到到24位3个字节
  15. sb.insert(0, "1110");
  16. sb.insert(8, "10");
  17. sb.insert(16, "10");
  18. fullByte[i*3] = Integer.valueOf(sb.substring(0, 8), 2).byteValue();//二进制字符串创建整型
  19. fullByte[i*3+1] = Integer.valueOf(sb.substring(8, 16), 2).byteValue();
  20. fullByte[i*3+2] = Integer.valueOf(sb.substring(16, 24), 2).byteValue();
  21. }
  22. //模拟UTF-8编码的网站显示
  23. System.out.println(new String(fullByte,"UTF-8"));
  24. }

现在我们来找出最后一个字节是63,而不是-122的原因。

  1. public static void analyze2() throws UnsupportedEncodingException {
  2. String gbk = "我来了";
  3. byte[] utfBytes = gbk.getBytes("UTF-8");//得到9个字节
  4. String utf8 = new String(utfBytes);//问题就出在这
  5. System.out.print(utf8);
  6. }
  7. /*
  8. 鎴戞潵浜?
  9. */

因为文件是GBK编码,new String(utfBytes)默认就是new String(utfBytes,"GBK")。它会2个字节2个字节地转换成字符,当字节是奇数时最后1个字节转字符就会计算错误,然后直接赋予最后这个字符为?,对应ASCII代码就是63。

解决问题
保证字节正确才是硬道理。当调用getBytes("UTF-8")转换成字节数组后,创建ISO-8859-1编码的字符串,ISO-8859-1编码是一个字节对应一个字符,因此不会使最后一个字节错误。

  1. public static void correctEncode() throws UnsupportedEncodingException {
  2. String gbk = "我来了";
  3. String iso = new String(gbk.getBytes("UTF-8"),"ISO-8859-1");
  4. for (byte b : iso.getBytes("ISO-8859-1")) {
  5. System.out.print(b + " ");
  6. }
  7. System.out.println();
  8. //模拟UTF-8编码的网站显示
  9. System.out.println(new String(iso.getBytes("ISO-8859-1"),"UTF-8"));
  10. }
  11. /*
  12. -26 -120 -111 -26 -99 -91 -28 -70 -122
  13. 我来了
  14. */

http://www.iteye.com/topic/1097560

上一篇:DevExpress gridControl控件动态绑定列 zt


下一篇:ELK日志框架(1):安装Elasticsearch组建单服务器多节点集群