一、前言
继上一篇写完字节编码内容后,现在分析在Java中各字符编码的问题,并且由这个问题,也引出了一个更有意思的问题,笔者也还没有找到这个问题的答案。也希望各位园友指点指点。
二、Java字符编码
直接上代码进行分析似乎更有感觉。
运行结果:
说明:通过结果我们知道如下信息。
1. 在Java中,中文在用ASCII码表示为3F,实际对应符号‘?‘,用ISO-8859-1表示为3F,实际对应符号也是为‘?‘,这意味着中文已经超出了ASCII和ISO-8859-1的表示范围。
2. UTF-16采用大端存储,即在字节数组前添加了FE FF,并且FE FF也算在了字符数组长度中。
3. 指定UTF-16的大端(UTF-16BE)或者小端(UTF-16LE)模式后,则不会有FE FF 或 FF FE控制符,相应的字节数组大小也不会包含控制符所占的大小。
4. Unicode表示与UTF-16相同。
5. getBytes()方法默认是采用UTF-8。
三、char表示问题
我们知道,在Java中char类型为两个字节长度,我们来看下一个示例。
public class Test { public static void main(String[] args) throws Exception { char ch1 = ‘a‘; // 1 char ch2 = ‘李‘; // 2 char ch3 = ‘\uFFFF‘; // 3 char ch4 = ‘\u10000‘; // 4 } }
问题:读者觉得这样的代码能够编译通过吗?如不能编码通过是为什么,又具体是那一行代码出现了错误?
分析:把这个示例拷贝到Eclipse中,定位到错误,发现是第四行代码出现了错误,有这样的提示,Invalid character constant。
解答:问题的关键就在于char类型为两个字节长度,Java字符采用UTF-16编码。而‘\u10000‘显然已经超过了两个字节所能表示的范围了,一个char无法表示。说得更具体点,就是char表示的范围为Unicode表中第零平面(BMP),从0000 - FFFF(十六进制),而在辅助平面上的码位,即010000 - 10FFFF(十六进制),必须使用四个字节进行表示。
有了这个理解后,我们看下面的代码
public class Test { public static void main(String[] args) throws Exception { char ch1 = ‘a‘; char ch2 = ‘李‘; char ch3 = ‘\uFFFF‘; String str = "\u10000"; System.out.println(String.valueOf(ch1).length()); System.out.println(String.valueOf(ch2).length()); System.out.println(String.valueOf(ch3).length()); System.out.println(str.length()); } }
运行结果:
1 1 1 2
说明:从结果我们可以知道,所有在BMP上的码点(包括‘a‘、‘李‘、‘\uFFFF‘)的长度都是1,所有在辅助平面上的码点的长度都是2。注意区分字符串的length函数与字节数组的length字段的差别。
四、问题的发现
在写Java小程序时,笔者一般不会打开Eclispe,而是直接在NodePad++中编写,然后通过javac、java命令运行程序,查看结果。也正是由于这个习惯,发现了如下的问题,请听笔者慢慢道来,来请园友们指点指点。
有如下简单程序,请忽略字符串的含义。
public class Test { public static void main(String[] args) throws Exception { String str = "我我我我我我我\uD843\uDC30"; System.out.println(str.length()); } }
说明:程序功能很简单,就是打印字符串长度。
4.1 两种编译方法
1. 笔者通过javac Test.java进行编译,编译通过。然后通过java Test运行程序,运行结果如下:
说明:根据结果我们可以推测,字符‘我‘为长度1,\uD843\uDC30为长度10,其中\u为长度1。
2. 笔者通过javac -encoding utf-8 Test.java进行编译,编译通过。然后通过java Test运行程序,运行结果如下:
说明:这个结果很好理解,字符‘我‘、\uD843、\uDC30都在BMP,都为长度1,故总共为9。
通过两种编译方法,得到的结果不相同,经过查阅资料知道javac Test.java默认的是采用GBK编码,就像指定javac -encoding gbk Test.java进行编译。
4.2. 查看class文件
1. 查看java Test.java的class文件,使用winhex打开,结果如下:
说明:图中红色标记给出了字符串"我我我我我我我\uD843\uDC30"大致所在位置。因为前面我们分析过,class文件的存储使用UTF-8编码,于是,先算E9 8E B4,得到Unicode码点为94B4(十六进制),查阅Unicode表,发现表示字符为‘鎴‘,这完全和‘我‘没有关系。并且E9 8E B4 后面的E6 88 9E,和E9 8E B4也不相等,照理说,相同的字符编码应该相同。后来发现,红色标记地方好像有点规则,就是E9 8E B4 E6 88 9E E5 9E 9C(九个字节)表示‘我我‘,重复循环了3次,表示字符‘我我我我我我‘,之后的E9 8E B4 E6 85(五个字节)表示‘我‘,总共7个‘我‘,很明显又出现疑问了。
猜测是因为使用javac Test.java进行编译,采用的是GBK编码,而class文件存储的格式为UTF-8编码。这两种操作中肯定含有某种转化关系,并且最后的class文件中也加入相应的信息。
2. 查看java -encoding -utf-8 Test.java的class文件,使用winhex打开,结果如下:
说明:红色标记给出了字符串的大体位置,E6 88 91,经过计算,确实对应字符‘我‘。这是没有疑问的。
4.3 针对疑问的探索
1. 又改变了字符串的值,使用如下代码:
public class Test { public static void main(String[] args) throws Exception { String str = "我我coder"; System.out.println(str.length()); } }
同样,使用javac Test.java、java Test命令。得到结果为:
这就更加疑惑了。为什么会得到8。
2. 查阅资料结果
在Javac时,若没有指定-encoding参数指定Java源程序的编码格式,则javac.exe首先获得我们操作系统默认采用的编码格式,也即在编译java程序时,若我们不指定源程序文件的编码格式,JDK首先获得操作系统的file.encoding参数(它保存的就是操作系统默认的编码格式,如WIN2k,它的值为GBK),然后JDK就把我们的java源程序从file.encoding编码格式转化为Java内部默认的UTF-16格式放入内存中。之后会输出class文件,我们知道class是以UTF-8方式编码的,它内部包含我们源程序中的中文字符串,只不过此时它己经由file.encoding格式转化为UTF-8格式了。
五、问题提出
1. 使用javac Test.java编译后,为何会得到上述class文件的格式(即GBK -> UTF16 -> UTF8具体是如何实现的)。
2. 使用javac Test.java编译后,为何得到的结果一个是17,而另外一个是8。
六、总结
探索的过程有很意思,这个问题暂时还没有解决,以后遇到该问题的答案会贴出来,也欢迎有想法的读者进行交流探讨。谢谢各位园友的观看~
参考链接:
http://blog.csdn.net/xiunai78/article/details/8349129