Java自学-I/O 中文问题

java中的编码中文问题

步骤 1 : 编码概念

计算机存放数据只能存放数字，所有的字符都会被转换为不同的数字。
就像一个棋盘一样，不同的字，处于不同的位置，而不同的位置，有不同的数字编号。
有的棋盘很小，只能放数字和英文
有的大一点，还能放中文
有的“足够”大，能够放下世界人民所使用的所有文字和符号

如图所示，英文字符 a 能够放在所有的棋盘里，而且位置都差不多
中文字符, 中文字符 中 能够放在后两种棋盘里，并且位置不一样，而且在小的那个棋盘里，就放不下中文

步骤 2 : 常见编码

工作后经常接触的编码方式有如下几种：
iso-8859-1 ascii 数字和西欧字母
gbk gb2312 big5 中文
unicode (统一码，万国码)

其中
iso-8859-1 包含 ascii
gb2312 是简体中文，big5是繁体中文，gbk同时包含简体和繁体以及日文。
unicode 包括了所有的文字，无论中文，英文，藏文，法文，世界所有的文字都包含其中

步骤 3 : unicode和utf

根据前面的学习，我们了解到不同的编码方式对应不同的棋盘，而unicode因为要存放所有的数据，那么它的棋盘是最大的。
不仅如此，棋盘里每个数字都是很长的(4个字节)，因为不仅要表示字母，还要表示汉字等。

如果完全按照unicode的方式来存储数据，就会有很大的浪费。
比如在iso-8859-1中，a 字符对应的数字是0x61
而unicode中对应的数字是 0x00000061，倘若一篇文章大部分都是英文字母，那么按照unicode的方式进行数据保存就会消耗很多空间

在这种情况下，就出现了unicode的各种减肥子编码, 比如utf-8对数字和字母就使用一个字节，而对汉字就使用3个字节，从而达到了减肥还能保证健康的效果

utf-8，utf-16和utf-32 针对不同类型的数据有不同的减肥效果，一般说来utf-8是比较常用的方式

步骤 4 : java采用的是unicode

写在.java源代码中的汉字，在执行之后，都会变成jvm中的字符。
而这些中文字符采用的编码方式，都是使用unicode. "中"字对应的unicode是4e2d,所以在内存中，实际保存的数据就是十六进制的0x4e2d, 也就是十进制的20013。

package stream;
 
public class teststream {
    public static void main(string[] args) {
        string str = "中";
    }
}

步骤 5 : 一个汉字使用不同编码方式的表现

以字符 中 为例，查看其在不同编码方式下的值是多少

也即在不同的棋盘上的位置

package stream;
 
import java.io.unsupportedencodingexception;
 
public class teststream {
 
    public static void main(string[] args) {
        string str = "中";
        showcode(str);
    }
 
    private static void showcode(string str) {
        string[] encodes = { "big5", "gbk", "gb2312", "utf-8", "utf-16", "utf-32" };
        for (string encode : encodes) {
            showcode(str, encode);
        }
 
    }
 
    private static void showcode(string str, string encode) {
        try {
            system.out.printf("字符: \"%s\" 的在编码方式%s下的十六进制值是%n", str, encode);
            byte[] bs = str.getbytes(encode);
 
            for (byte b : bs) {
                int i = b&0xff;
                system.out.print(integer.tohexstring(i) + "\t");
            }
            system.out.println();
            system.out.println();
        } catch (unsupportedencodingexception e) {
            system.out.printf("unsupportedencodingexception: %s编码方式无法解析字符%s\n", encode, str);
        }
    }
}

步骤 6 : 文件的编码方式-记事本

字符在文件中的保存肯定也是以数字形式保存的，即对应在不同的棋盘上的不同的数字
用记事本打开任意文本文件，并且另存为，就能够在编码这里看到一个下拉。
ansi 这个不是ascii的意思，而是采用本地编码的意思。如果你是中文的操作系统，就会使gbk，如果是英文的就会是iso-8859-1
unicode unicode原生的编码方式
unicode big endian 另一个 unicode编码方式
utf-8 最常见的utf-8编码方式，数字和字母用一个字节， 汉字用3个字节。

步骤 7 : 文件的编码方式-eclipse

eclipse也有类似的编码方式，右键任意文本文件，点击最下面的"property"
就可以看到text file encoding
也有iso-8859-1，gbk,utf-8等等选项。
其他的us-ascii,utf-16，utf-16be,utf-16le不常用。

步骤 8 : 用fileinputstream 字节流正确读取中文

为了能够正确的读取中文内容

1. 必须了解文本是以哪种编码方式保存字符的
2. 使用字节流读取了文本后，再使用对应的编码方式去识别这些数字，得到正确的字符
   如本例，一个文件中的内容是字符中，编码方式是gbk，那么读出来的数据一定是d6d0。
   再使用gbk编码方式识别d6d0，就能正确的得到字符中

注： 在gbk的棋盘上找到的中字后，jvm会自动找到中在unicode这个棋盘上对应的数字，并且以unicode上的数字保存在内存中。

package stream;
   
import java.io.file;
import java.io.fileinputstream;
import java.io.ioexception;
   
public class teststream {
   
    public static void main(string[] args) {
        file f = new file("e:\\project\\j2se\\src\\test.txt");
        try (fileinputstream fis = new fileinputstream(f);) {
            byte[] all = new byte[(int) f.length()];
            fis.read(all);
   
            //文件中读出来的数据是
            system.out.println("文件中读出来的数据是：");
            for (byte b : all)
            {
                int i = b&0x000000ff;  //只取16进制的后两位
                system.out.println(integer.tohexstring(i));
            }
            system.out.println("把这个数字，放在gbk的棋盘上去：");
            string str = new string(all,"gbk");
            system.out.println(str);
        } catch (ioexception e) {
            // todo auto-generated catch block
            e.printstacktrace();
        }
   
    }
}

步骤 9 : 用filereader 字符流正确读取中文

filereader得到的是字符，所以一定是已经把字节根据某种编码识别成了字符了
而filereader使用的编码方式是charset.defaultcharset()的返回值，如果是中文的操作系统，就是gbk
filereader是不能手动设置编码方式的，为了使用其他的编码方式，只能使用inputstreamreader来代替，像这样：

new inputstreamreader(new fileinputstream(f),charset.forname("utf-8"));

在本例中，用记事本另存为utf-8格式，然后用utf-8就能识别对应的中文了。

解释： 为什么中字前面有一个?
如果是使用记事本另存为utf-8的格式，那么在第一个字节有一个标示符，叫做bom用来标志这个文件是用utf-8来编码的。

package stream;
 
import java.io.file;
import java.io.fileinputstream;
import java.io.filenotfoundexception;
import java.io.filereader;
import java.io.ioexception;
import java.io.inputstreamreader;
import java.io.unsupportedencodingexception;
import java.nio.charset.charset;
 
public class teststream {
 
    public static void main(string[] args) throws unsupportedencodingexception, filenotfoundexception {
        file f = new file("e:\\project\\j2se\\src\\test.txt");
        system.out.println("默认编码方式:"+charset.defaultcharset());
        //filereader得到的是字符，所以一定是已经把字节根据某种编码识别成了字符了
        //而filereader使用的编码方式是charset.defaultcharset()的返回值，如果是中文的操作系统，就是gbk
        try (filereader fr = new filereader(f)) {
            char[] cs = new char[(int) f.length()];
            fr.read(cs);
            system.out.printf("filereader会使用默认的编码方式%s,识别出来的字符是：%n",charset.defaultcharset());
            system.out.println(new string(cs));
        } catch (ioexception e) {
            // todo auto-generated catch block
            e.printstacktrace();
        }
        //filereader是不能手动设置编码方式的，为了使用其他的编码方式，只能使用inputstreamreader来代替
        //并且使用new inputstreamreader(new fileinputstream(f),charset.forname("utf-8")); 这样的形式
        try (inputstreamreader isr = new inputstreamreader(new fileinputstream(f),charset.forname("utf-8"))) {
            char[] cs = new char[(int) f.length()];
            isr.read(cs);
            system.out.printf("inputstreamreader 指定编码方式utf-8,识别出来的字符是：%n");
            system.out.println(new string(cs));
        } catch (ioexception e) {
            // todo auto-generated catch block
            e.printstacktrace();
        }
         
    }
}

练习： 移除bom

如果用记事本根据utf-8编码保存汉字就会在最前面生成一段标示符，这个标示符用于表示该文件是使用utf-8编码的。

找出这段标示符对应的十六进制，并且开发一个方法，自动去除这段标示符

答案 :

package stream;
   
import java.io.file;
import java.io.fileinputstream;
import java.io.ioexception;
import java.util.arrays;
   
public class teststream {
   
    public static void main(string[] args) {
        file f = new file("e:\\project\\j2se\\src\\test.txt");
        try (fileinputstream fis = new fileinputstream(f);) {
            byte[] all = new byte[(int) f.length()];
            fis.read(all);
            system.out.println("首先确认按照utf-8识别出来有？");
            string str = new string(all,"utf-8");
            system.out.println(str);
            system.out.println("根据前面的所学，知道'中'字对应的utf-8编码是：e4 b8 ad");
            system.out.println("打印出文件里所有的数据的16进制是：");
            for (byte b : all) {
                int i = b&0xff;
                system.out.print(integer.tohexstring(i)+ " ");
            }
            system.out.println();
            system.out.println("通过观察法得出 utf-8的 bom 是 ef bb bf");
            byte[] bom = new byte[3];
            bom[0] = (byte) 0xef;
            bom[1] = (byte) 0xbb;
            bom[2] = (byte) 0xbf;
            byte[] filecontentwithoutbom= removebom(all,bom);
            system.out.println("去掉了bom之后的数据的16进制是：");
            for (byte b : filecontentwithoutbom) {
                int i = b&0xff;
                system.out.print(integer.tohexstring(i)+ " ");
            }           
            system.out.println();
            system.out.println("对应的字符串就没有问号了：");
            string strwithoutbom=new string(filecontentwithoutbom,"utf-8");
            system.out.println(strwithoutbom);
        } catch (ioexception e) {
            // todo auto-generated catch block
            e.printstacktrace();
        }
   
    }
 
    private static byte[] removebom(byte[] all, byte[] bom) {
        return arrays.copyofrange(all, bom.length, all.length);
    }
}