从Java String实例来理解ANSI、Unicode、BMP、UTF等编码概念

一、前言

　　其实从开始写Java代码以来，我遇到过无数次乱码问题，比如从文本文件读入到String出现乱码，Servlet中获取HTTP请求参数出现乱码，JDBC查询到的数据乱码等等，这些问题很常见，遇到的时候随手搜一下都可以顺利解决，所以没有深入的去了解。

　　直到前两天同学与我谈起一个Java源文件的编码问题（这问题在最后一个实例分析），从这个问题入手拉扯出了一连串的问题，然后我们一边查资料一边讨论，最终解决了所有的疑惑，以前没有理解的语句都能解释清楚了。

　　我决定用这篇博客，记录我对一些编码问题的理解以及实验的结果，如果有误，请一定不吝指正。

二、概念梳理

　　早期，互联网还没有发展起来，计算机仅用于处理一些本地的资料，所以很多国家和地区针对本土的语言设计了编码方案，这种与区域相关的编码统称为ANSI编码（因为都是对ANSI-ASCII码的扩展）。但是他们没有事先商量好怎么相互兼容，而是自己搞自己的，这样就埋下了编码冲突的祸根，比如大陆使用的GB2312编码与台湾使用的Big5编码就有冲突，同样的两个字节，在两种编码方案里表示的是不同的字符，随着互联网的兴起，一个文档里经常会包含多种语言，计算机在显示的时候就遇到麻烦了，因为它不知道这两个字节到底属于哪种编码。

　　这样的问题在世界上普遍存在，因此重新定义一个通用的字符集，为世界上所有字符进行统一编号的呼声不断高涨。

　　由此Unicode码应运而生，它为世界上所有字符进行了统一编号，由于它可以唯一标识一个字符，所以字体也只需要针对Unicode码进行设计就行了。但Unicode标准定义的是一个字符集，而没有规定编码方案，也就是说它仅仅定义了一个个抽象的数字与其对应的字符，而没有规定具体怎么存储一串Unicode数字，真正规定怎么存储的是UTF-8、UTF-16、UTF-32等方案，所以带有UTF开头的编码，都是可以直接通过计算和Unicode数值（Code Point，码位）进行转换的。顾名思义，UTF-8就是8位长度为基本单位编码，它是变长编码，用1~6个字节来编码一个字符（因为受Unicode范围的约束，所以实际最大只有4字节）；UTF-16是16位为基本单位编码，也是变长编码，要么2个字节要么4个字节；UTF-32则是定长的，固定4字节存储一个Unicode数。

　　其实我以前一直对Unicode有点误解，在我的印象中Unicode码最大只能到0xFFFF，也就是最多只能表示 2^16 个字符，在仔细看了维基百科之后才明白，早期的UCS-2编码方案确实是这样，UCS-2固定使用两个字节来编码一个字符，因此它只能编码BMP（基本多语言平面，即0x0000-0xFFFF，包含了世界上最常用的字符）范围内的字符。为了要编码Unicode大于0xFFFF的字符，人们对UCS-2编码进行了拓展，创造了UTF-16编码，它是变长的，在BMP范围内，UTF-16与UCS-2完全一致，而BMP之外UTF-16则使用4个字节来存储。

　　为了方便下面的描述，先交代一下编码单元（Code Unit）的概念，某种编码的基本组成单位就叫编码单元，比如UTF-8的编码单元为1个字节，UTF-16的编码单元为2个字节，不好解释，但是很好理解。

　　为了兼容各种语言以及更好的跨平台，Java String保存的就是字符的Unicode码。它以前使用的是UCS-2编码方案来存储Unicode，后来发现BMP范围内的字符不够用了，但是出于内存消耗和兼容性的考虑，并没有升到UCS-4（即UTF-32，固定4字节编码），而是采用了上面所说的UTF-16，char类型可看作其编码单元。这个做法导致了一些麻烦，如果所有字符都在BMP范围内还没事，若有BMP外的字符，就不再是一个编码单元对应一个字符了，length方法返回的是编码单元的个数，而不是字符的个数，charAt方法返回的自然也是一个编码单元而不是一个字符，遍历起来也变得麻烦，虽然提供了一些新的操作方法，总归还是不方便，而且还不能随机访问。

　　此外，我发现Java在编译的时候还不会处理大于0xFFFF的Unicode字面量，所以如果你敲不出某个非BMP字符来，但是你知道它的Unicode码，得用一个比较笨的方法来让String存储它：手动计算出该字符的UTF-16编码（四字节），把前两个字节和后两个字节各作为一个Unicode数，然后赋值给String，示例代码如下所示。

public static void main(String[] args) {
        //String str = "";        //我们想赋值这样一个字符，假设我输入法打不出来
        
        //但我知道它的Unicode是0x1D11E
        //String str = "\u1D11E";  //这样写不会识别
        
        //于是通过计算得到其UTF-16编码 D834 DD1E
        String str = "\uD834\uDD1E"; //然后这么写
        
        System.out.println(str);     //成功输出了""
    }

　　Windows系统自带的记事本可以另存为Unicode编码，实际上指的是UTF-16编码。上面说了，主要使用的字符编码都在BMP范围内，而在BMP范围内，每个字符的UTF-16编码值与对应的Unicode数值是相等的，这大概就是微软把它称为Unicode的原因吧。举个例子，我在记事本中输入了”好a“两个字符，然后另存为Unicode big endian（高位优先）编码，用WinHex打开文件，内容如下图，文件开头两个字节被称为Byte Order Mark（字节顺序标记），（FE FF）标识字节序为高位优先，然后（59 7D）正是”好“的Unicode码，（00 61）正是”a“的Unicode码。

　　有了Unicode码，也还不能立即解决问题，因为首先世界上已经存在了大量的非Unicode标准的编码数据，我们不可能丢弃它们，其次Unicode的编码往往比ANSI编码更占空间，所以从节约资源的角度来说，ANSI编码还是有存在的必要的。所以需要建立一个转换机制，使得ANSI编码可以转换到Unicode进行统一处理，也可以把Unicode转换到ANSI编码以适应平台的要求。

　　转换方法说起来比较容易，对于UTF系列或者是ISO-8859-1这种被兼容的编码，可以通过计算和Unicode数值直接进行转换（实际可能也是查表），而对于系统遗留下来的ANSI编码，则只能通过查表的方式进行，微软把这种映射表称为Code Page（代码页），并按编码进行分类编号，比如我们常见的cp936就是GBK的代码页，cp65001就是UTF-8的代码页。下图是微软官网查到的GBK->Unicode映射表（目测不全），同理还应有反向的Unicode->GBK映射表。

　　有了代码页，就可以很方便的进行各种编码转换了，比如从GBK转换到UTF-8，只需要先按照GBK的编码规则对数据按字符划分，用每个字符的编码数据去查GBK代码页，得到其Unicode数值，再用该Unicode去查UTF-8的代码页（或直接计算），就可以得到对应的UTF-8编码。反过来同理。注意：UTF-8是Unicode的标准实现，它的代码页中包含了所有的Unicode取值，所以任意编码转换到UTF-8，再转换回去都不会有任何丢失。至此，我们可以得出一个结论就是，要完成编码转换工作，最重要的是第一步要成功的转换到Unicode，所以正确选择字符集（代码页）是关键。

　　理解了转码丢失问题的本质后，我才突然明白Servlet容器为什么要以ISO-8859-1去解码HTTP请求参数，导致我们获取中文参数的时候不得不写这样的语句：

String param = new String(s.getBytes("iso-8859-1"), "UTF-8");

　　因为Servlet容器接收到的是参数编码的二进制字节流，它不知道这究竟是什么编码（或者不关心），也就不知道该查哪个代码页去转换到Unicode。然后它就选择了一种绝对不会产生丢失的方案，它假设这是ISO-8859-1编码的数据，然后查ISO-8859-1的代码页，得到Unicode序列，因为ISO-8859-1是按字节编码的，而且不同于ASCII的是，它对0 ~ 255空间的每一位都进行了编码，所以任意一个字节都能在它的代码页中找到对应的Unicode，若再从Unicode转回原始字节流的话也就不会有任何丢失。它这样做，对于不考虑其他语言的欧美程序员来说，可以直接用Servlet容器解码好的String，而要兼容其他语言的话也只需要转回原始字节流，再以实际的代码页去解码一下就好。

　　了解了相关概念，下面用Java实例来感受一下。

三、实例分析

1.转换到Unicode——String构造方法

　　String的构造方法就是把各种编码数据转换到Unicode序列（以UTF-16编码存储），下面这段测试代码，用来展示Java String构造方法的应用，实例中都不涉及非BMP字符，所以就不用codePointAt那些方法了。

public class Test {

    public static void main(String[] args) throws IOException {
        //"你好"的GBK编码数据
        byte[] gbkData = {(byte)0xc4, (byte)0xe3, (byte)0xba, (byte)0xc3};
        //"你好"的BIG5编码数据
        byte[] big5Data = {(byte)0xa7, (byte)0x41, (byte)0xa6, (byte)0x6e};

        //构造String，解码为Unicode
        String strFromGBK = new String(gbkData, "GBK");
        String strFromBig5 = new String(big5Data, "BIG5");

        //分别输出Unicode序列
        showUnicode(strFromGBK);
        showUnicode(strFromBig5);
    }

    public static void showUnicode(String str) {
        for (int i = 0; i < str.length(); i++) {
            System.out.printf("\\u%x", (int)str.charAt(i));
        }
        System.out.println();
    }
}

　　运行结果如下图

　　从结果可以发现，只要指定了正确的字符集（代码页），String就可以解码出正确的Unicode，最后可以试试println("\u4f60\u597d")，输出的就是“你好”。

2.Unicode转换到各种编码——getBytes

　　String手握Unicode序列，想要转换到其它编码自然就易如反掌了，根据你参数指定的字符集，去相应的代码页查找就可以转换过去了，当然如果该字符集不支持某字符（也就是没有这条Unicode记录），那就会导致编码丢失，再也不能还原到原来的Unicode序列了。

　　这里，我们和第1节的做法相反，我们把Unicode序列转换到其它各种编码，如下所示。

public class Test {

    public static void main(String[] args) throws IOException {
        //字符串"你好"
        String str = "\u4f60\u597d";

        //转换到各种编码
        showBytes(str, "GBK");
        showBytes(str, "BIG5");
        showBytes(str, "UTF-8");
    }

    public static void showBytes(String str, String charset) throws IOException {
        for (byte b : str.getBytes(charset))
            System.out.printf("0x%x ", b);
        System.out.println();
    }
}

　　运行结果如下图

3.以Unicode为桥梁，实现编码互转

　　有了上面两部分的基础，要实现编码互转就很简单了，只需要把他们联合使用就可以了。先new String把原编码数据转换为Unicode序列，再调用getBytes转到指定的编码就OK。

　　比如一个很简单的GBK到Big5的转换代码如下

public static void main(String[] args) throws UnsupportedEncodingException {
        //假设这是以字节流方式从文件中读取到的数据（GBK编码）
        byte[] gbkData = {(byte) 0xc4, (byte) 0xe3, (byte) 0xba, (byte) 0xc3};
        
        //转换到Unicode
        String tmp = new String(gbkData, "GBK");
        
        //从Unicode转换到Big5编码
        byte[] big5Data = tmp.getBytes("Big5");
        
        //后续操作……
    }

4.编码丢失问题

　　上面已经解释了，Servlet容器采用ISO-8859-1字符集来解码的原因。先用一个例子来模拟这个还原过程，代码如下

public class Test {

    public static void main(String[] args) throws UnsupportedEncodingException {
        //Servlet容器收到6个字节的数据
        byte[] data = {(byte) 0xe4, (byte) 0xbd, (byte) 0xa0, (byte) 0xe5, (byte) 0xa5, (byte) 0xbd};
        //打印原始数据
        showBytes(data);
        //Servlet容器假设它是ISO-8859-1的编码，生成一个String对象
        String tmp = new String(data, "ISO-8859-1");
        
        //**************Servlet容器部分结束********************
        
        //开发者拿到后打印它发现是6个欧洲字符，而不是预期的"你好"
        System.out.println("  ISO解码的结果：" + tmp);
        
        //因此首先要得到原始的6个字节的数据（反查ISO-8859-1的代码页）
        byte[] utfData = tmp.getBytes("ISO-8859-1");
        
        //打印还原的数据
        showBytes(utfData);
        
        //开发者知道它是UTF-8编码的，因此用UTF-8的代码页，重新构造String对象
        String result = new String(utfData, "UTF-8");
        //再打印，正确了！
        System.out.println("  UTF-8解码的结果：" + result);
    }

    public static void showBytes(byte[] data) {
        for (byte b : data)
            System.out.printf("0x%x ", b);
        System.out.println();
    }
}

　　运行结果如下，第一次输出是不正确的，因为解码规则不对，也查错了代码页，得到的是错误的Unicode。然后发现通过错误的Unicode反查ISO-8859-1代码页还能完美的还原数据。

　　然后我们尝试把ISO-8859-1替换为ASCII，结果就会变成这样子

　　这是因为，ASCII虽然也是每字节对应一个字符，但是它只对0~127这个空间进行了编码，也就是说每个字节的最大值只能为0x7F，而上面的6个字节全部都大于这个数值，因此在ASCII的代码页中是找不到这6个字节的，于是Java就搞了一个缺省值。我用如下的代码测试发现，当通过编码数据在代码页中查不到对应的Unicode时，就返回缺省值\ufffd（对应图中第一种问号），反过来，当通过Unicode在代码页中查不到对应的编码数据时，就返回缺省值0x3f（ASCII，对应图中第二种问号）。由此，这个输出结果也就可以解释清楚了。

public static void main(String[] args) throws IOException {
        //输出结果全为\ufffd
        byte[] data = {(byte) 0x80};
        showUnicode(new String(data, "UTF-8"));
        showUnicode(new String(data, "GBK"));
        showUnicode(new String(data, "Big5"));
        
        //输出结果全为0x3f
        String str = "\uccdd";
        showBytes(str, "GBK");
        showBytes(str, "BIG5");
        showBytes(str, "ISO-8859-1");
    }

5.Java源文件的编码问题

　　这就是开头所提到的那个问题，把问题描述一下先。就如下这么一小段代码，源文件使用UTF-8编码保存。（注意别用Windows的记事本，因为它会在UTF-8文件最前面加入一个3字节的BOM头，而很多程序都不兼容这一点）

public class Test {

    public static void main(String[] args) {
        System.out.println("中");
    }
}

　　然后在Windows中使用默认参数编译该文件（系统区域设置为简体中文，即默认使用GBK字符集解码），然后会得到如下错误

　　这不是重点，重点如果把“中”换成“中国”，编译就会成功，运行结果如下图。另外进一步可发现，中文字符个数为奇数时编译失败，偶数时通过。这是为什么呢？下面详细分析一下。

　　因为Java String内部使用的是Unicode，所以在编译的时候，编译器就会对我们的字符串字面量进行转码，从源文件的编码转换到Unicode（维基百科说用的是与UTF-8稍微有点不同的编码）。编译的时候我们没有指定encoding参数，所以编译器会默认以GBK方式去解码，对UTF-8和GBK有点了解的应该会知道，一般一个中文字符使用UTF-8编码需要3个字节，而GBK只需要2个字节，这就能解释为什么字符数的奇偶性会影响结果，因为如果2个字符，UTF-8编码占6个字节，以GBK方式来解码恰好能解码为3个字符，而如果是1个字符，就会多出一个无法映射的字节，就是图中问号的地方。

　　再具体一点的话，源文件中“中国”二字的UTF-8编码是 e4 b8 ad e5 9b bd，编译器以GBK方式解码，3个字节对分别查cp936得到3个Unicode值，分别是6d93 e15e 6d57，对应结果图中的三个奇怪字符。如下图所示，编译后这3个Unicode在.class文件中实际以类UTF-8编码存储，运行的时候，JVM中存储的就是Unicode，然而最终输出时，还是会编码之后传递给终端，这次约定的编码就是系统区域设置的编码，所以如果终端编码设置改了，还是会乱码。我们这里的e15e在Unicode标准中并没有定义相应的字符，所以在不同平台不同字体下显示会有所不同。