深入解析java String中getBytes()的编码问题
转载出处：http://www.cnblogs.com/Joanna-Yan/p/6900536.html
Java服务器后台在和Android端App通信时，遇到了两端关于用MD5加密同一包含中文的字符串结果不一致的问题。
具体问题描述：
Java服务器后台和Android端AS用了同一个MD5的工具类，且两边项目的默认编码都是UTF-8 ，加密纯英文数字的字符串时，结果一致，对同一包含中文的字符串加密，发现结果不一样，这是为什么呢？
工具类MD5Util代码如下：
public class MD5Util {
/**
* 将byte数组转化为16进制输出
* @param bytes
* @return
*/
public static String convertByteToHexString(byte[] bytes){
String result="";
for (int i = 0; i < bytes.length; i++) {
int temp=bytes[i]&0xff;
String tempHex=Integer.toHexString(temp);
if(tempHex.length()<2){
result+="0"+tempHex;
}else{
result+=tempHex;
}
}
return result;
}
/**
* MD5加密
* @param message
* @return
* @throws UnsupportedEncodingException
*/
public static String md5Jdk(String message) throws UnsupportedEncodingException{
String temp="";
try {
MessageDigest md5Digest=MessageDigest.getInstance("MD5");
byte[] encodeMD5Digest=md5Digest.digest(message.getBytes());
temp=convertByteToHexString(encodeMD5Digest);
} catch (NoSuchAlgorithmException e) {
e.printStackTrace();
}
return temp;
}
}
最后问题锁定在：
IDE的项目默认编码和平台运行环境的编码不是一回事。
改成：message.getBytes("UTF-8");后能解决中文加密不一致的问题。
下面，就String的getBytes()方法深入了解下。
String的getBytes()方法是得到一个字符串的字节数组，但特别要注意的是，本方法将返回该操作系统默认的编码格式的字节数组。如果你在使用这个方法时不考虑这一点，你会发现在一个平台上运行良好的系统，放到另一台机器上会产生意想不到的问题。
比如下面的程序：
public class TestCharset {
public static void main(String[] args) {
new TestCharset().execute();
}
private void execute() {
String s = "Hello!你好！";
byte[] bytes = s.getBytes();
System.out.println("bytes lenght is:" + bytes.length);
}
}
在一个中文WindowsXP系统下，运行时，结果为：
bytes lenght is:12
但是如果放到了一个英文的UNIX环境下运行：
$ java TestCharset bytes lenght is:9
如果你的程序依赖于该结果，将在后续操作中引起问题。为什么在一个系统中结果为12，而在另外一个却变成了9？上面已经提到了，该方法是和平台（编码）相关的。
在中文操作系统中，getBytes方法返回的是一个GBK或GB2313的中文编码的字节数组，其中中文字符各占两个字节。而在英文平台中，一般的默认编码是“ISO-8859-1”，每个字符都只取一个字节（而不管是否非拉丁字符）。
Java中的编码支持
Java是支持多国编码的，在Java中，字符都是以Unicode进行存储的，比如，“你”字的Unicode编码是“4f60”，我们可以通过下面的实验代码来验证：
public class TestCharset {
public static void main(String[] args) {
char c = '你';
int i = c;
System.out.println(c);
System.out.println(i);
}
}
不管你在任何平台上执行，都会有相同的输出：
20320
20320就是Unicode “4f60”的整数值。其实，你可以反编译上面的类，可以发现在生产的.calss文件中字符“你”（或者其它任何中文字串）本身就是以Unicode编码进行存储的：
char c = '/u4F60'; ... ...
即使你知道了编码的编码格式，比如：
javac -encoding GBK TestCharset.java
编译后生成的.class文件中仍然是以Unicode格式存储中文字符或字符串的。
所以。为了避免这种问题，建议大家都在编码中使用String.getBytes(String charset)方法。
下面我们将从字串分别提取ISO-8859-1和GBK两种编码格式的字节数组，看看会有什么结果：
public class TestCharset {
public static void main(String[] args) {
new TestCharset().execute();
}
private void execute() {
String s = "Hello!你好！";
byte[] bytesISO8859 = null;
byte[] bytesGBK = null;
try {
bytesISO8859 = s.getBytes("iso-8859-1");
bytesGBK = s.getBytes("GBK");
} catch (java.io.UnsupportedEncodingException e) {
e.printStackTrace();
}
System.out.println("-------------- /n 8859 bytes:");
System.out.println("bytes is: " + arrayToString(bytesISO8859));
System.out.println("hex format is:" + encodeHex(bytesISO8859));
System.out.println();
System.out.println("-------------- /n GBK bytes:");
System.out.println("bytes is: " + arrayToString(bytesGBK));
System.out.println("hex format is:" + encodeHex(bytesGBK));
}
public static final String encodeHex(byte[] bytes) {
StringBuffer buff = new StringBuffer(bytes.length * 2);
String b;
for (int i = 0; i < bytes.length; i++) {
b = Integer.toHexString(bytes[i]);
// byte是两个字节的， 而上面的Integer.toHexString会把字节扩展为4个字节
buff.append(b.length() > 2 ? b.substring(6, 8) : b);
buff.append(" ");
}
return buff.toString();
}
public static final String arrayToString(byte[] bytes) {
StringBuffer buff = new StringBuffer();
for (int i = 0; i < bytes.length; i++) {
buff.append(bytes[i] + " ");
}
return buff.toString();
}
}
执行结果：
-------------- /n 8859 bytes: bytes is: 72 101 108 108 111 33 63 63 63 hex format is:48 65 6c 6c 6f 21 3f 3f 3f -------------- /n GBK bytes: bytes is: 72 101 108 108 111 33 -60 -29 -70 -61 -93 -95 hex format is:48 65 6c 6c 6f 21 c4 e3 ba c3 a3 a1
可见，在s中提取的8859-1格式的字节数组长度为9，中文字符都变成了“63”，ASCII码为63的是“？”，一些国外的程序在国内中文环境下运行时，经常会出现乱码，上面布满了“？”，就是因为编码没有进行正确处理的结果。
而提取的GBK编码的字节数组中正确得到了中文字符的GBK编码。字符“你”、“好”、“！”的GBK编码分别是：“c4e3”、“bac3”、“a3a1”。得到了正确的以GBK编码的字节数组，以后需要还原为中文字串时，可以使用下面方法：
new String(byte[] bytes, String charset)
==================================================================================================================
String.getBytes(Stringdecode)方法， 会根据指定的decode编码返回某字符串在该编码下的byte数组表示,如:
byte[] b_gbk = "中".getBytes("GBK");
byte[] b_utf8 = "中".getBytes("UTF-8");
byte[] b_iso88591 = "中".getBytes("ISO8859-1");
将分别返回"中"这个汉字在GBK、UTF-8和ISO8859-1编码下的byte数组表示,此时
b_gbk的长度为2,
b_utf8的长度为3,
b_iso88591的长度为1。
new String(byte[], decode)方法，而与getBytes相对的,可以通过new String(byte[], decode)的方式来还原这个"中"字,
这个new String(byte[],decode)实际是使用指定的编码decode来将byte[]解析成字符串.
String s_gbk = new String(b_gbk,"GBK");
String s_utf8 = new String(b_utf8,"UTF-8");
String s_iso88591 = new String(b_iso88591,"ISO8859-1");
通过输出s_gbk、s_utf8和s_iso88591,会发现s_gbk和s_utf8都是"中",而只有s_iso88591是一个不被识别的字符（可以理解为乱码）,为什么使用ISO8859-1编码再组合之后,无法还原"中"字？原因很简单,因为ISO8859-1编码的编码表根本就不包含汉字字符,当然也就无法通过"中".getBytes("ISO8859-1");来得到正确的"中"字在ISO8859-1中的编码值了,所以，再通过newString()来还原就更是无从谈起。
因此,通过String.getBytes(Stringdecode)方法来得到byte[]时,一定要确定decode的编码表中确实存在String表示的码值,这样得到的byte[]数组才能正确被还原。
注意：
有时候,为了让中文字符适应某些特殊要求(如httpheader要求其内容必须为iso8859-1编码),可能会通过将中文字符按照字节方式来编码的情况,如:
String s_iso88591 = newString("中".getBytes("UTF-8"),"ISO8859-1"),这样得到的s_iso8859-1字符串实际是三个在ISO8859-1中的字符,
在将这些字符传递到目的地后,目的地程序再通过相反的方式Strings_utf8 = newString(s_iso88591.getBytes("ISO8859-1"),"UTF-8")来得到正确的中文汉字"中"，这样就既保证了遵守协议规定、也支持中文。
