问题引入
文件中的文本以UTF-8的编码方式存储,在Java程序中以GBK的编码方式从文件中读入,最后再将读入的内容转换为UTF-8编码,即UTF-8 --> GBK --> UTF-8
。这种操作方式能正确读入文件中的内容吗?
背景知识
因为本文主要讨论不同的编码之间的转换问题,所以有必要先介绍一下文中会用到的几种编码方式。
编码和解码
将某个字符映射成计算机能存储和处理的二进制数的过程称为编码,比如字符A
的ASCII编码为b0100 0001
,我们通常用十六进制来表示成0x41
;将某个二进制数映射成人类可读的字符的过程称为解码,编码的逆过程就是解码。
UTF-8
UTF-8编码兼容ASCII编码,也就是说任何一个ASCII编码的字符,也是UTF-8编码的字符。比如字符A
的ASCII编码的十六进制表示为0x41
,占1个字节,那么字符A
的UTF-8编码也是0x41
,占1个字节。对于一个汉字来说,需要用三个字节存储UTF-8编码,大家可以通过UTF8在线网站获得任意字符的UTF-8编码。
GBK
和UTF-8一样,GBK也是兼容ASCII编码的。对于一个汉字来说,需要用两个字节存储GBK编码,大家可以通过GBK在线网站获得任意汉字的GBK编码。
Unicode
和UTF-8一样,Unicode也是兼容ASCII编码的。对于一个汉字来说,需要用两个字节存储Unicode编码,大家可以通过Unicode在线网站获得任意汉字的Unicode编码。也可以通过GBK2Unicode在线网站获得某个GBK编码对应的Unicode编码。
实验与分析
为了回答上面的问题,我编写了两种不同的文本内容,也就是后面的实验设置1和实验设置2,以此来看一下对于不同类型的文本内容,采用上述方式是否都可以正确的读取。因为Java中对文本文件的读取主要有两种类型:读入到字符串和读入到字符数组,因此我分别实现了这两种读取方式,也就是后面的实验代码1和实验代码2,以此来探究不同的读取方式对实验结果是否有影响。
实验环境
- JDK:16
- OS:Monterey 12.2.1
- 系统默认编码:UTF-8
实验代码1
//将文件中的内容读入到字符串
try(BufferedReader br = new BufferedReader(new FileReader(fileName, Charset.forName("GBK")))){
String content = br.readLine();
byte[] bytes = content.getBytes("GBK");
String str = new String(bytes, "UTF-8");
System.out.println(str);
}
实验代码2
//将文件中的内容读入到字符数组
try(Reader reader = new FileReader(fileName, Charset.forName("GBK"))){
char[] content = new char[2];
reader.read(content);
String str = new String(content);
byte[] bytes = str.getBytes("GBK");
str = new String(bytes, "UTF-8");
System.out.println(str);
}
实验设置1
文件的编码方式为UTF8,文件的内容为:
你
此设置下,文件中只有一个用UTF-8编码的汉字你
。我们知道,在UTF-8编码下,每个汉字占3个字节,大家可以自行检查一下文件的大小是否为3字节,以避免因为其它的字符(如空格等)影响复现实验的效果。
在第一个份代码中(将文件内容读入到字符串),通过单步调试可以看到,content
的内容为浣�
,和文件中的内容不一样,而且看起来有点像乱码。继续单步运行,将字符串按照GBK的编码方式转换为字节数组。此处需要指定编码方式为GBK的原因是,我们从文件中读取的时候指定了GBK的解码方式,因此,想要转换成字节数组也得按照GBK的方式编码。完成转换之后,得到的字节数组bytes
的大小为3。现在我们已经有了GBK编码之后的字节数组bytes
了,最后将其按照UFT8的方式解码成字符串,得到�?
。看样子我们没能正确的读取到文本文件的内容,下面分析一下原因。
汉字你
的UTF8编码可以通过之前提到的在线网站得到,其为e4 bd a0
,因为Java程序采用GBK的解码方式读取文件,所以当读到第一个字节e4
时,判断出还需要再读一个字节才能构成完整的编码,因此现在读入的内容是e4 bd
,通过在线网站知道它对应于汉字浣
。因为Java程序内部采用Unicode编码存储字符串,所以需要将浣
转换为Unicode编码,通过在线网站可知它对应的Unicode编码为6d 63
。要注意,实际上Java程序并不需要先把GBK码解码成字符,然后再根据字符做Unicode编码,而是直接由GBK码映射到表示相同字符的Unicode码。Java程序继续读入第三个字节a0
,同时判断出a0
不是一个合法的GBK编码,但是此时已经读到文件的末尾了,无法继续读入下一个字节。对于此种情况,Java会将非法的GBK编码映射成默认的Unicode码ff fd
,此编码对应的字符是�
。可以看到,这种映射具有不可逆性,我们无法从ff fd
映射回非法的GBK码,也就是说,这种映射会改变我们的原始数据。分析到这儿,我们应该知道,字符串变量content
在内存中的实际内容为6d 63 ff fd
(不去考虑大端小端的问题),共四个字节,表示两个字符浣
和�
。
接下来将字符串变量content
按照GBK的编码方式转换成字节数组。前面说过,content
的内容为浣�
,首先转换第一个字符浣
,其对应的GBK编码为e4 bd
。接下来转换第二个字符�
,很遗憾的是,此字符并没有被GBK收录,也就是说这个字符没有对应的GBK编码,此种情况下会将其转换为GBK编码3f
,它对应的字符是?
。因此,字节数组bytes = [e4, bd, 3f]
。
最后一步将字节数组按照UTF-8的方式解码。当遇到第一个字节e4
时,发现它不是一个合法的UTF-8编码,因此继续读入下一个字节,然后发现e4 bd
也不是一个合法的UTF-8编码,继续读入,发现e4 bd 3f
仍然不是一个合法的编码,但是已没有更多的字节可以读了。不过UTF-8解码器发现e4 bd 3f
虽然不是一个合法的编码,但3f
却是一个合法的UTF-8编码,它对应于字符?
。此时解码器会选择将3f
解码为?
,而认为e4 bd
是一个错误的编码,并将其解码为默认字符�
。因此,最终得到的解码结果为�?
。
以上是对运行实验代码1时的分析,也就是将文本内容读入到字符串中的情况。对于将文本内容读入到字符数组的情况,分析过程和实验代码1差不多,只是在某些地方有细微的差别。下面简要的分析一下运行实验代码2时的情况。
文件中存储的数据仍然是e4 bd a0
,对e4 bd
按照GBK解码得到浣
,因为Java中的char
类型也是和String
类型一样,按照Unicode的编码方式存储,浣
对应的Unicode码为6d 63
,所以字符数组中的第一个字符在内存中实际存储的是6d 63
。接下来对a0
按照GBK解码,如前所述,a0
不是一个合法的GBK码,对于此种情况,字符数组会舍弃非法的编码,因此字符数组的第二个字符仍然是默认的00 00
。下一步中的将字符数组变为字符串的目的是方便转换为字节数组,经过转换之后得到的字节数组bytes = [e4, bd, 00, 00]
。最后一步将字节数组按照UTF-8的解码方式转化成字符串,最终得到的解码结果为�
。
实验设置2
文件的编码方式为UTF8,文件的内容为:
你A
首先分析代码1。文件内容你A
的UTF-8编码为e4 bd a0 41
,按照GBK解码得到浣燗
,其对应的Unicode码为6d 63 71 d7
。 因为字符串使用Unicode编码进行存储,所以content
在内存中存储的内容为6d 63 71 d7
。之后对content
按GBK编码获得对应的字节数组,这就又回到了e4 bd a0 41
,即bytes = [e4, bd, a0, 41]
。最后对此字节数组按UTF-8解码得到你A
。
对于代码2的分析,因为e4 bd
和a0 41
都是合法的GBK编码,所以不存在丢弃数据的问题,那么代码2的分析就和代码1的分析完全相同。文章来源:https://www.toymoban.com/news/detail-469995.html
结论
文件的编码方式是什么,在读取的时候就要指定什么样的编码方式。文章来源地址https://www.toymoban.com/news/detail-469995.html
到了这里,关于Java读写文件时的GBK和UTF8转换问题的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!