理解并解决GBK转UTF

最近在做一个反馈功能，把数据反馈到对方公司网站，我公司是GBK编码，对方公司是UTF-8编码。因此，我需要将GBK编码数据转换成UTF-8编码数据，这样对方网站才不会乱码。最简单的方法是将HttpClient的ContentCharset设置为utf-8；如果ContentCharset是gbk并且又不想设置为utf-8，那么就需要将数据转换成UTF-8编码再发到对方网站。

 

问题出现：GBK转UTF-8时，奇数个中文会乱码，偶数个中文不会乱码。
三个中文

Java代码  

1. public static void encodeError() throws UnsupportedEncodingException {  
2.     String gbk = "我来了";  
3.     String utf8 = new String(gbk.getBytes("UTF-8"));  
4.   
5.     //模拟UTF-8编码的网站显示  
6.     System.out.println(new String(utf8.getBytes(),"UTF-8"));  
7. }  
8. /* 
9. 我来?? 
10. */  

 前面三个中文，后面一个中文，都是奇数

Java代码  

1. public static void encodeError2() throws UnsupportedEncodingException {  
2.     String gbk = "今年是2011年";  
3.     String utf8 = new String(gbk.getBytes("UTF-8"));  
4.   
5.     //模拟UTF-8编码的网站显示  
6.     System.out.println(new String(utf8.getBytes(),"UTF-8"));  
7. }  
8. /* 
9. 今年??011?? 
10. */  

 

原因：为什么只有奇数个中文才乱码，偶数个却不乱码？下面来分析原因

Java代码  

1. public static void analyze() throws UnsupportedEncodingException {  
2.     String gbk = "我来了";  
3.     String utf8 = new String(gbk.getBytes("UTF-8"));  
4.     for (byte b : gbk.getBytes("UTF-8")) {  
5.         System.out.print(b + " ");  
6.     }  
7.     System.out.println();  
8.     for (byte b : utf8.getBytes()) {  
9.         System.out.print(b + " ");  
10.     }  
11. }  
12. /* 
13. -26 -120 -111 -26 -99 -91 -28 -70 -122  
14. -26 -120 -111 -26 -99 -91 -28 -70 63  
15. */  

 注意最后一个字节不同，上面一行才是正确的UTF-8编码。那么为什么下面一行最后一个字节是63，而不是-122呢？这就是导致乱码的原因所在。
GBK编码是一个中文2个字节，而UTF-8编码是一个中文3个字节，当我们调用getBytes("UTF-8")方法时，会通过计算来增加字节，使得从GBK的2个字节变成UTF-8对应的3个字节。因此，上例3个中文输出了9个字节。

 

这里讲一下怎么通过计算增加字节，不深究的读者可以跳过此段。为了醒目，直接用代码讲解

Java代码  

1. public static void gbk2Utf() throws UnsupportedEncodingException {  
2.     String gbk = "我来了";  
3.     char[] c = gbk.toCharArray();  
4.     byte[] fullByte = new byte[3*c.length];  
5.     for (int i=0; i<c.length; i++) {  
6.         String binary = Integer.toBinaryString(c[i]);  
7.         StringBuffer sb = new StringBuffer();  
8.         int len = 16 - binary.length();  
9.         //前面补零  
10.         for(int j=0; j<len; j++){  
11.                 sb.append("0");  
12.             }  
13.         sb.append(binary);  
14.         //增加位，达到到24位3个字节  
15.         sb.insert(0, "1110");  
16.             sb.insert(8, "10");  
17.             sb.insert(16, "10");  
18.             fullByte[i*3] = Integer.valueOf(sb.substring(0, 8), 2).byteValue();//二进制字符串创建整型  
19.             fullByte[i*3+1] = Integer.valueOf(sb.substring(8, 16), 2).byteValue();  
20.             fullByte[i*3+2] = Integer.valueOf(sb.substring(16, 24), 2).byteValue();  
21.     }  
22.     //模拟UTF-8编码的网站显示  
23.     System.out.println(new String(fullByte,"UTF-8"));  
24. }  

 

现在我们来找出最后一个字节是63，而不是-122的原因。

Java代码  

1. public static void analyze2() throws UnsupportedEncodingException {  
2.     String gbk = "我来了";  
3.     byte[] utfBytes = gbk.getBytes("UTF-8");//得到9个字节  
4.     String utf8 = new String(utfBytes);//问题就出在这  
5.     System.out.print(utf8);  
6. }  
7. /* 
8. 鎴戞潵浜? 
9. */  

 因为文件是GBK编码，new String(utfBytes)默认就是new String(utfBytes,"GBK")。它会2个字节2个字节地转换成字符，当字节是奇数时最后1个字节转字符就会计算错误，然后直接赋予最后这个字符为?，对应ASCII代码就是63。

 

解决问题
保证字节正确才是硬道理。当调用getBytes("UTF-8")转换成字节数组后，创建ISO-8859-1编码的字符串，ISO-8859-1编码是一个字节对应一个字符，因此不会使最后一个字节错误。

Java代码  

1. public static void correctEncode() throws UnsupportedEncodingException {  
2.     String gbk = "我来了";  
3.     String iso = new String(gbk.getBytes("UTF-8"),"ISO-8859-1");  
4.     for (byte b : iso.getBytes("ISO-8859-1")) {  
5.         System.out.print(b + " ");  
6.     }  
7.     System.out.println();  
8.   
9.     //模拟UTF-8编码的网站显示  
10.     System.out.println(new String(iso.getBytes("ISO-8859-1"),"UTF-8"));  
11. }  
12. /* 
13. -26 -120 -111 -26 -99 -91 -28 -70 -122  
14. 我来了 
15. */