Java字符串编码原理以及乱码解决方法
1 Java字符串编码原理
在Java中，字符的数据类型是char，而char类型的编码是 Unicode 编码，因此每一个char类型数据2字节16位，对应在内存中的数据就是字符的 Unicode 的码值。而String类型的底层是一个char数组，因此String类型在内存中的存储形式是一系列字符对应的 Unicode 码值。
例如：中文字符串 "长风几万里" ，表1是这5个中文字分别对应的 GBK ，Unicode，和 UTF-8 编码的码值
表1："长风几厘米"的码表
| 字符 | GBK | Unicode | UTF-8 |
|---|---|---|---|
| 长 | B3A4 | 957F | E995BF |
| 风 | B7E7 | 98CE | E9A38E |
| 几 | BCB8 | 51E0 | E587A0 |
| 万 | CDF2 | 4E07 | E4B887 |
| 里 | C0EF | 91CC | E9878C |
我们新建Main函数运行如下代码：其中 Java 源文件的文件编码格式为 UTF-8，Jvm 默认的字符集编码格式也为 UTF-8 。
char[] cs = str.toCharArray();
System.out.println(Arrays.toString(Num2Hex.chars2HexStrings(cs)));
byte[] bUTF = str.getBytes("UTF-8");
System.out.println(Arrays.toString(Num2Hex.bytes2HexStrings(bUTF)));
byte[] bGBK = str.getBytes("GBK");
System.out.println(Arrays.toString(Num2Hex.bytes2HexStrings(bGBK)));
运行结果如下：
[0x95, 0x7F, 0x98, 0xCE, 0x51, 0xE0, 0x4E, 0x07, 0x91, 0xCC]
[0xE9, 0x95, 0xBF, 0xE9, 0xA3, 0x8E, 0xE5, 0x87, 0xA0, 0xE4, 0xB8, 0x87, 0xE9, 0x87, 0x8C]
[0xB3, 0xA4, 0xB7, 0xE7, 0xBC, 0xB8, 0xCD, 0xF2, 0xC0, 0xEF]
如果我们把源文件的编码格式改为GBK，运行结果不变
也就是说对于String类型的字符串，他在内存和 .class 文件中的编码都是 Unicode 编码，与源文件无关，String类型的getBytes()方法，会将字符从 Unicode 编码转成参数指定名称的字符集编码的码值（如果没有指明字符集编码，会按照 Jvm 的字符集编码，如果没有指定 Jvm 的字符集编码，会根据操作系统的字符集编码）然后返回这些码值对应的字节数组，由于 UTF-8 是3个字节表示一个汉字，所以返回的字节数组长度是15，而 GBK 编码是2个字节表示一个汉字，所以返回的字节数组长度是10。
2 乱码问题解决方法
如何解决常见的乱码问题呢？Java 字符编码是 Unicode，字符集编码我们最最常见的有 GBK，UTF-8，ISO-8859-1，解决乱码的方法如下。
首先搞清楚字符的数据源，例如"长风几万里"，如果字符数据源来自于String类型的常量，那么无论是在.class文件中还是在内存中都是 Unicode 编码，对应的计算机数据用16进制表示就是{0x957F, 0x98CE, 0x51E0, 0x4E07, 0x91CC}，如果是外部数据源，如果这5个字储存在文件 a.txt 中并且 a.txt 的文件编码假如是 GBK 的话，则文件 a.txt 存储的计算机数据实际是这5个字符对应的 GBK 的码值,用16进制表示就是[0xB3, 0xA4, 0xB7, 0xE7, 0xBC, 0xB8, 0xCD, 0xF2, 0xC0, 0xEF]，如果是 UTF-8 的话那么 a.txt 的内容实际是[0xE9, 0x95, 0xBF, 0xE9, 0xA3, 0x8E, 0xE5, 0x87, 0xA0, 0xE4, 0xB8, 0x87, 0xE9, 0x87, 0x8C]。我们假设 a.txt 编码 是GBK，我们用 Java 读取 a.txt 的文件内容的字节保存在byte[]中，那么byte[]中的内容还是这5个字符对应的 GBK 的码值[0xB3, 0xA4, 0xB7, 0xE7, 0xBC, 0xB8, 0xCD, 0xF2, 0xC0, 0xEF]，如果我们读取 a.txt 的文件内容保存在char[]或者String（String的底层就是char[]，String中的value就是保存在char[]中）中，那么我们就必须指明 a.txt 的字符集编码，在字符集编码正确的情况下，由于Java读取外部数据源先获得是数据源的字节流，因此 Java 还会将字节流转为char[]，就是要将[0xB3, 0xA4, 0xB7, 0xE7, 0xBC, 0xB8, 0xCD, 0xF2, 0xC0, 0xEF]转成[0x957F, 0x98CE, 0x51E0, 0x4E07, 0x91CC]，再保存在char[]或String里，如果不能正确指明数据源的字符集编码那么就会转成乱码。
