-Flyぁ梦-

来上海百度实习也才没多久，这是第三个礼拜吧，接手的项目相当紧迫，而且作为一个实习生我是main coder，不由地带动了极大的工作积极性。这个一开始认为很简单很明了的“小”项目，没想到让我学到了很多东西，今天就讲讲关于Java编码的那些事儿。

Java编码

Unicode是全球标准字符集，是Java所为String采用的编码方式，任何字符用2个字节表示。String实例中保存有一个char[]字符数组。string.getByte()方法可以获得到这个字符串实例在指定编码下的字节数组，注意的是不带参数的getByte方法使用OS默认的字符集，比如GB2312（简体中文）。所以要得到Unicode下的字节数组，需要这样：string.getBytes(“unicode”)（此处注意见下文）。如果使用new String(byte[], Charset)构造，可以将已知编码的字节数组重新拼成一个String实例，即用指定的Charset去组合字节为Unicode字符罢了。同理，不带Charset的String构造使用OS默认字符集。

因此，得到UTF-8的字节数组，按以下步骤：

1
2
3
4

String str = "梦";
byte[] bytes = str.getBytes("UTF-8");   "使用UTF-8解码字符串得到的UTF-8字节数组"
String str2 = new String(bytes, "utf8"); "按照当初被解码的方式（utf8）重新组成Java String类"
str.equals(str2) == true;       "使用大小写不同的编码写法，来区别不同API中参数代表的意义"

所以，str = new String(str.getBytes(Charset), Charset) 什么都没有做，除了新建了个String对象。

但是如果你要获取unicode的字节数组，却有非常多的选择，而且很容易出错。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

void echoBytesTest() {
	String s = "梦";
	echoBytes(s, "Unicode");
	echoBytes(s, "UnicodeBig");
	echoBytes(s, "UnicodeLittle");
	echoBytes(s, "UnicodeBigUnmarked");
	echoBytes(s, "UnicodeLittleUnmarked");
	echoBytes(s, "UTF-16");
	echoBytes(s, "UTF-16BE");
	echoBytes(s, "UTF-16LE");
	echoBytes(s, "UTF-8");
}
 
void echoBytes(String s, String encoding) {
	byte[] bytes = s.getBytes(encoding);
	for (byte b : bytes) {
		int i = b & 0xff;
		System.out.print(Integer.toHexString(i) + " ");
	}
	System.out.println();
}

JDK6.0环境下的输出结果如下所示：

然后要特别说明的是，getBytes(“Unicode”)这种方式是什么样的结果，却是与JDK相关的，JDK5.0使用LE顺序，JDK6.0使用BE顺序！

有点复杂，看官方解释。

为了在读取字节时能知道所采用的字节序，在传输时采用了一个名为 “Zero Width No-Break Space” 的字符（中文译名作“零宽无间断间隔”）用于限定字节序，开头两个字节为 FE FF（即-2 -1） 时为 Big-Endian，为 FF FE（即-1 -2） 时为 Little-Endian。 详见 RFC2781 3.2 节。这个就是传说中的BOM头。
UTF-8不需要 BOM 来表明字节顺序，但可以用 BOM 来表明编码方式。字符 “Zero Width No-Break Space” 的 UTF-8 编码是 EF BB BF。
详见：BOM_百度百科

自我理解很像体系结构中的大端编址和小端编址对吧。不知道Unicode为什么要存在Big-Endian和Little-Endian两种顺序，反正就是存在着呗。

说说项目

就是因为string.getBytes(“Unicode”)的JDK相关性，然后我因为使用了旧版本的JDK导致和大家同样从SVN签出的代码的运行结果却完全不一致，由于完全信任Java的平台无关，没有一点怀疑是JDK源码的原因，整整花了一天的时候排查bug。

第二个是Spring MVC的@ResponseBody默认返回的字符集是ISO-8859-1的西文字符，导致返回客户端为乱码，修改Spring配置的见Spring官方论坛的解决方案，不过貌似试了几种方法都没有起效…其实最简单的方式就是放弃使用Spring提供的Ajax方式，直接使用HttpServletResponse的getWriter().write()方法写字符串或getOutputStream.write()方法直接写字节。

参考引用

百度百科：http://baike.baidu.com/view/126558.htm#sub5073178

CSDN论坛：http://topic.csdn.net/u/20081009/09/e899898c-591f-4985-ae88-5972475708fb.html

Spring官方论坛：http://forum.springsource.org/showthread.php?t=81858