JAVA乱码问题分析

首先，所有的字符在计算机上都是以二进制存储的；

1.JAVA 虚拟机 JVM 中的编码方式：

JAVA 虚拟机 JVM 把 JAVA 源代码编译成 Unicode 形式的 byte code ，其它数据在 JAVA 中也是以 UNICODE 形式存储的。

2. 汉字主要编码集的兼容关系：

   汉字的主要字符集有： GB2312, GBK, GB18030 , UNICODE, UTF-8, BIG5;

   其中 GBK 兼容 GB2312 ， UNICODE 与 UTF-8 相对兼容（即可用一些公式进行转换，而无须知道两种字符表的一一映身关系）

GBK,GB2312,BIG5 都为双字节编码，即所有的字符在该字符集内都占两个字节；

   而 GB18030 采用单字节，双字节，四字节的存储方式，其中 128 个 ASCII 符号为单字节区，所有汉字为双字节区；

UTF-8 为一到六字节，其中汉字为两到三字节；

UNICODE 为两字节，而扩展 UNICODE 集也有四字节字符，对于汉字及常用各种符号来说，都为双字节；

BIG5 为台湾公司字符集，大陆不用；

故对于汉字存储体系来说，严格双字节或小于等于双字节的可以采用 GB2312,GBK,GB18030 ， UNICODE 编码；

如果英文较多，为传输方便，则采用 UTF-8 ，但这样就不好计算存储汉字所需空间；

 

3.JAVA 读取文件并显示

（ 1 ） JAVA 如何读取文件编码方式：

   在操作系统中，因为计算机本身无法知道当前文件的编码方式，故对于流文件，一般读取时要手动的指定其编码方式，否则 JAVA 会采用系统默认的字符映射表读取文件；对于 WINDOWS 来说，其默认字符集一般为 GB 系列；对于 UNIX 或 LINUX 来说，一般为 UTF-8;

（ 2 ） JAVA 如何显示字符

  对于 System.out.println() 命令来说， JAVA 默认采用当前系统默认的字符集来输出字符 ，如果在 MYECLIPSE 或 ECLIPSE 环境， JAVA 则会采用当前工程默认的字符集来输出字符；

  （ 3 ）总结 2,3 的字符转换就是：文件（由当前系统编码转为 UNICODE ） ->JAVA 内存（由 UNICODE 编码转为当前显示系统的字符集） -> 当前显示系统的默认字符集

  所有的转换都是自动进行的，故实际上对我们并无影响；

但如果在转换的过程中，文件存储的编码格式并非系统默认的编码格式，则 JAVA 转换就会出问题，会出现乱码；

如果显示系统的字符集与文件采用的字符集不同，则有可能显示系统的字符集有可能未包含文件字符集的全部字符，如果显示这些字符时就会有 ? 号；

4.WEB 编码

  标准的 WEB 通信模式如下：

   客户机发消息 -> 传输 -> 服务器接收并返回消息 -> 传输 -> 客户机接收并显示

（1）       客户机发消息：

在这一步客户机的消息编码为本地编码（准确地说是该通信进程所采用的编码）

（2）       传输

首先：基本上所有的传输都采用 ISO-8859-1 标准传输，该编码兼容所有其它的编码方式；

其次：为减少传输时间，有些网站会对数据进行压缩，通常是 GZIP 格式；

（3）       客户机接收并显示

客户机接收该编码，并进行解码；对于 JAVA 来说，通常所有的通信类，包括 Socket 类 ,URLConnection 类，以及其它基于这两个类的继承类，在接收数据的时候会根据报文头的编码格式自动将对应的编码转为 UNICODE 编码；

但对于 GZIP 格式来说， 除 浏览器外， JAVA 中的类一般并不会自动进行解压缩，此时会出现乱码，故需要手动判断，如果报文头为显示 Content-Encoding: gzip 则必须调用 GZIPInputStream 对输入流进行解压缩操作；

（ 4 ） 对于 WEB 通信产生的乱码问题，可根据以上情况进行分析，但以上情况并不全面，

因此，最根本的方法是：首先确定是否服务器端即为乱码，如果不是，则对报文头进行分析，看是否报文解析问题，接下来才是本地的显示及编码问题；

5. 数据库编码

     数据库也会自动将输入的字符串自动转为数据库的存储格式（此过程发生在 JDBC 过程中，还是数据库的底层驱动函数中暂不清楚），但须注意：

     1.CONNECTION 中必须指定对应的数据库（确切的说是执行插入或更新操作的表的）字符编码格式；

     2. 遇到数据库本地字符集无法存储的字符会抛错；

声明：

所有的分析的根据来源于网络及个人试验，因个人水平原因，本文可能存在错误，故该文章仅作参考，不作为可靠的技术文档；