面试之Java String 编码相关

另有一篇我的字符编码本质入门的文章见这里：https://www.cnblogs.com/uncleguo/p/16008551.html

　　实话说，作为一个多年Java老年程序员，直到近来，在没有决心花时间搞清楚Java String的编码相关问题之前， 自己也都还是似懂非懂，一脸懵逼的。设想如果在面试中，有同学能够条理清晰的回答下面的问题，那必是非常了得之人，论智慧武功应该均在本人之上:-)。

　　问：请预测下面程序的输出，并解释原因。printHexBinary方法为16进制打印Byte

 1 String str = "中"; 2 3byte[] bufferGBK =  str.getBytes("GBK"); 4 System.out.println("bufferGBK = "+printHexBinary(bufferGBK)) ; 5 6 String gbkString =new String(bufferGBK,"GBK"); 7 System.out.println("gbkString = new String bufferGBK GBK : "+gbkString); 8 9 String utf8String =new String(bufferGBK,"utf-8");10 System.out.println("utf8String = new String bufferGBK utf8 : "+utf8String);1112byte[] utfFromStr = utf8String.getBytes("utf-8");13 System.out.println("utf8String getBytes utf-8 : "+printHexBinary(utfFromStr));1415byte[] gbkFromStr = utf8String.getBytes("GBK");16 System.out.println("utf8String getBytes GBK : "+printHexBinary(gbkFromStr));1718byte[] isoFromStr = utf8String.getBytes("ISO-8859-1");19 System.out.println("utf8String getBytes ISO-8859-1 : "+printHexBinary(isoFromStr));2021 String isoString =new String(bufferGBK,"ISO-8859-1");22 System.out.println("isoString = new String bufferGBK ISO-8859-1 : "+isoString);2324 utfFromStr = isoString.getBytes("utf-8");25 System.out.println("isoString getBytes utf-8 : "+printHexBinary(utfFromStr));2627 gbkFromStr = isoString.getBytes("GBK");28 System.out.println("isoString getBytes GBK : "+printHexBinary(gbkFromStr));2930 isoFromStr = isoString.getBytes("ISO-8859-1");31 System.out.println("isoString getBytes ISO-8859-1 : "+printHexBinary(isoFromStr));

　　按我之前的认识，先简单推理下。

　　第4行的Print输出的应该是“中”的GBK编码（中的GBK编码是0xD6 0xD0）。

　　第7行用[0xD6 0xD0]以GBK字符集new一个String，打印这个String，那应该是“中”

　　第10行用[0xD6 0xD0]以UTF8字符集new一个String，打印这个String，这里可能会乱码，具体会显示什么字符，要看0xD6 0xD0对应的Utf8 字符。

× 第13行从上面new的String中按UTF8取得Byte数组，因为上面New 的是Utf8 String，这里取出的应该还是[0xD6 0xD0]

×第16行从上面new的String中按GBK取得Byte数组， 这……不太确定，可能还是[0xD6 0xD0]？内存存储的编码应该是不变的？

×第19行从上面new的String中按ISO8859取得Byte数组， 这……同上吧？ 但似乎有点儿问题，应该是不对，逻辑上如果getBytes都一样，那为啥要参数指定字符集呢？

　　第22行用[0xD6 0xD0]以ISO8859字符集new一个String，打印这个String，这里可能会乱码， 要看[0xD6 0xD0]ISO8859中对应的字符。

×第25，28行，这……

　　第30行从上面new的String中按ISO8859取得Byte数组，这应该不会变，还是[0xD6 0xD0]

我只能回答成这样了，自我感觉比较风流倜傥，潇洒惆怅的可以先自己琢磨下， 实际的程序输出在这里↓

 1 ======================================== 2 bufferGBK = 0xD6,0xD0 3 gbkString =new String bufferGBK GBK : 中 4 utf8String =new String bufferGBK utf8 : �� 5 utf8String getBytes utf-8 : 0xEF,0xBF,0xBD,0xEF,0xBF,0xBD 6 utf8String getBytes GBK : 0x3F,0x3F 7 utf8String getBytes ISO-8859-1 : 0x3F,0x3F 8 isoString =new String bufferGBK ISO-8859-1 : ÖÐ 9 isoString getBytes utf-8 : 0xC3,0x96,0xC3,0x9010 isoString getBytes GBK : 0x3F,0x3F11 isoString getBytes ISO-8859-1 : 0xD6,0xD012 ========================================

答案点这里

 　　然后对着输出结果来理解下。

答案中的2，3行输出跟预期一样

　　第4行确实是“乱码”了，但为什么[0xD6 0xD0]会变成两个一样的字符��

　　第5行，byte数组不是之前的2个，而是6个元素，与0xD6 0xD0完全不同，是何原因？

　　第6，7行，byte数组是[0x3F 0x3F]，为啥？

　　第8行，也是“乱码”了，ÖÐ, 但为什么又变成了两个不同的字符。。-_-||

　　第9行 byte数组4个元素，看起来不同。

　　第10行 byte数组[0x3f 0x3f]

第11行 确实还是[0xD6 0xD0]

实践检验真理，上面的实验表明，String在内存存储的实际内容与getBytes取得的内容，可能是存在转换关系的。某些字符集的情况下是不变的（ISO8859），而有些经过Byte 到 String 到 Byte 的转换后会发生变化，与创建时的byte数组不同。

　　经过一番上下求索之后。下面是我认为比较合理的解释。

　　答案中的2，3行输出跟预期一样

　　第4行，乱码因为[0xD6 0xD0]不是两个有效的Utf8字符集字符， Java将其转换处理为两个�，即utf8String中的内容即为“��”

　　第5行此时取得Byte数组为对应Utf8 中两个�字符的字符编码，即在UTF8 字符集中� 的编码为[0xEF,0xBF,0xBD]

　　第6行取得的Byte数组为，字符�对应在GBK字符集中的字符编码，该字符应该未包含，被转换为 0x3F 即 ? 字符

　　第7行，同上

　　第8行，并不是乱码，Ö 和 Ð 确实是ISO8859字符集中包含的字符，对应的编码为[0xD6 0xD0]，在GBK中为字符 “中” ，在 ISO8859中为两个字符 “Ö” 和 “Д，isoString内容为“ÖД

　　第9行，取得isoString在utf8 编码集中对应 Ö 和 Ð 字符的编码数组， 即 [0xC3,0x96] =Ö  [0xC3,0x90] = Ð。

　　第10行，取得isoString在GBK编码其中对应的Ö 和 Ð 字符的编码数组，因为GBK未包含这两个字符，于是被转换为“？？”后取得编码 即 [0x3F 0x3F]

　　第10行，取得isoString在ISO8859中对应的Ö 和 Ð 字符的编码数组，即为[0xD6 0xD0]，因此不变。

总结及推论：

• 　　String实际存储的内容是不可见，也无需关心的，可以理解为它存储的是字符。你用Byte数组初始化一个字符串时，总会显示或者默认的指明数组的编码格式。String内部会据此将其对应的字符而非编码，以某种方法保存在其内部。如果你指定的字符集与提供的数组不一致，String会帮你映射为未知字符可能是“？”或“�”。
• 　　String存储的不是初始化时提供的Byte数组，因此经过 Byte 到 String的转换后，可能会导致原始Byte数组的内容丢失，无法通过转换后的 String获得。所以乱码问题，要从源头解决，而不是在String上下功夫。
• 　　ISO8859-1是一个0x00-0xFF的都有定义的单字符编码，因此该编码进行byte到String转换不会丢失信息，String可以以Iso8859取得Byte数组后，以其他字符集显示，因此很多地方仍然使用此种字符集。

另：字符是抽象的，具体存储肯定要定义编码，Java规范定义的是“外部”的编码的表现和工作方式，内部存储可以自行实现，目前实际使用似乎是UTF16.