第四十二讲 I/O流——字节流在操作中文数据

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/yerenyuan_pku/article/details/84351600

本篇文章主要围绕字符编码展开，为了能够更好地讲述这一主题，我将从字节流操作中文数据开始。

字节流操作中文数据

假设编写有如下程序，代码贴出如下：

package cn.liayun.readcn;

import java.io.FileOutputStream;
import java.io.IOException;

public class ReadCNDemo {

	public static void main(String[] args) throws IOException {
		writeCNText();
	}

	public static void writeCNText() throws IOException {
		FileOutputStream fos = new FileOutputStream("tempfile\\cn.txt");
		fos.write("你好".getBytes());//按照默认编码表GBK编码
		fos.close();
	}

}

此时运行以上程序，可以发现在cn.txt文本文件中有”你好“两字，并且文件大小仅有4字节。其原因是String类的getBytes()方法是使用平台的默认字符集(即GBK码表，而在GBK码表里面，一个中文占2个字节)将”你好“字符串编码为了一个字节数组。
上面程序将”你好“两字写入cn.txt文本文件之后，我们需要使用字节流将其读取出来，由于该文本文件大小仅有4字节，可使用字节输出流的read()方法一个字节一个字节地读取出来，代码如下：

package cn.liayun.readcn;

import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;

public class ReadCNDemo {

	public static void main(String[] args) throws IOException {
		readCNText();
	}

	public static void readCNText() throws IOException {
		FileInputStream fis = new FileInputStream("tempfile\\cn.txt");
		
		int by = fis.read();
		System.out.println(by);
		int by2 = fis.read();
		System.out.println(by2);
		int by3 = fis.read();
		System.out.println(by3);
		int by4 = fis.read();
		System.out.println(by4);
		int by5 = fis.read();
		System.out.println(by5);
		
		fis.close();
	}
	
}

运行以上程序，可发现Eclipse控制台打印如下，截图如下。

上面输出的东西是一堆数字，我们可能看不懂，而我们想要看到的是”你好“两字，那么问题归纳为：使用字节输出流读取中文时，是按照字节形式，但是一个中文在GBK码表中是2个字节，而且字节输出流的read()方法一次读取一个字节，如何可以获取到一个中文呢？解决方案就是别读一个就操作，多读一些存起来，再操作，存到字节数组中，将字节数组转成字符串就哦了。

package cn.liayun.readcn;

import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;

public class ReadCNDemo {

	public static void main(String[] args) throws IOException {
		readCNText();
	}

	public static void readCNText() throws IOException {
		FileInputStream fis = new FileInputStream("tempfile\\cn.txt");
		
		//读取中文，按照字节的形式，但是一个中文，GBK码表中是两个字节
		//而字节流的read方法一次读取一个字节，如何可以获取到一个中文呢？
		//别读一个就操作，多读一些存起来，再操作，存到字节数组中，将字节数组转成字符串就哦了
		byte[] buf = new byte[1024];
		
		int len = fis.read(buf);
		
		String s = new String(buf, 0, len);//将字节数组转换成字符串，而且是按照默认的编码表(GBK)进行解码。
		
		System.out.println(s);

		fis.close();
	}

}

须知String类的String(byte[] bytes, int offset, int length)构造方法是通过使用平台的默认字符集(即GBK码表)解码指定的byte子数组，构造一个新的String。接下来，就要引出编码表这一概念了。

编码表

编码表的由来

计算机只能识别二进制数据，早期由来是电信号。为了方便应用计算机，让它可以识别各个国家的文字，就将各个国家的文字用数字来表示，并一一对应，形成一张表，这就是编码表。

常见的编码表

编码表名称	说明
ASCII	美国标准信息交换码，用一个字节的7位可以表示
ISO8859-1	拉丁码表或欧洲码表，用一个字节的8位表示
GB2312	中国的中文编码表
GBK	中国的中文编码表升级，融合了更多的中文文字符号
GB18030	GBK的取代版本
BIG-5	通行于台湾、香港地区的一个繁体字编码方案，俗称”大五码“
Unicode	国际标准码，融合了多种文字，所有文字都用两个字节来表示，Java语言使用的就是Unicode
UTF-8	最多用三个字节来表示一个字符。UTF-8不同，它定义了一种”区间规则“，这种规则可以和ASCII编码保持最大程度的兼容：它将Unicode编码为00000000-0000007F的字符，用单个字节来表示；将Unicode编码为00000080-000007FF的字符，用两个字节来表示；将Unicode编码为00000800-0000FFFF的字符，用三个字节来表示

编码与解码

• 编码：把看得懂的变成看不懂的。即将字符串变成字节数组(String→byte[])，代表方法为str.getBytes(charsetName)；
• 解码：把看不懂的变成看得懂的。即将字节数组变成字符串(byte[]→String)，代表方法为new String(byte[], charsetName)。

关于编码与解码，有一个结论，即由UTF-8编码，自然要通过UTF-8来解码；同理，由GBK来编码，自然也要通过GBK来解码，否则会出现乱码。下面我会通过若干个案例来详述编码与解码。

由GBK来编码，通过GBK来解码

首先运行以下程序，给出程序代码如下：

package cn.liayun.readcn;

import java.io.IOException;
import java.util.Arrays;

public class Test {

	public static void main(String[] args) throws IOException {
		method();
	}

	public static void method() throws IOException {
		String s = "你好";
		byte[] b1 = s.getBytes("GBK");// 默认编码方式就是GBK
		System.out.println(Arrays.toString(b1));
		String s1 = new String(b1, "GBK");// 通过GBK来解码
		System.out.println("s1 = " + s1);
	}

}

运行以上程序，可发现Eclipse控制台打印如下，截图如下。

发现输出结果并无乱码。

由GBK来编码，通过UTF-8来解码

然后再运行以下程序，观察运行后的结果，给出程序代码如下：

package cn.liayun.readcn;

import java.io.IOException;
import java.util.Arrays;

public class Test {

	public static void main(String[] args) throws IOException {
		method();
	}

	public static void method() throws IOException {
		String s = "你好";
		byte[] b1 = s.getBytes("GBK");// 默认编码方式就是GBK
		System.out.println(Arrays.toString(b1));
		String s1 = new String(b1, "UTF-8");// 通过UFT-8来解码
		System.out.println("s1 = " + s1);
	}

}

运行以上程序，可发现Eclipse控制台打印如下，截图如下。

发现输出了乱码——???。

由UTF-8来编码，通过UTF-8来解码

那怎么不是像上面那样输出三个问号呢？method()方法的代码应修改为如下，即可解决乱码问题。

package cn.liayun.readcn;

import java.io.IOException;
import java.util.Arrays;

public class Test {

	public static void main(String[] args) throws IOException {
		method();
	}

	public static void method() throws IOException {
		String s = "你好";
		byte[] b1 = s.getBytes("UTF-8");// 默认编码方式就是UTF-8
		System.out.println(Arrays.toString(b1));
		String s1 = new String(b1, "UTF-8");// 通过UFT-8来解码
		System.out.println("s1 = " + s1);
	}

}

再次运行以上程序，可发现Eclipse控制台打印如下，截图如下。

由UTF-8来编码，通过GBK来解码

接着再运行以下程序，观察运行后的结果，给出程序代码如下：

package cn.liayun.readcn;

import java.io.IOException;
import java.util.Arrays;

public class Test {

	public static void main(String[] args) throws IOException {
		method();
	}

	public static void method() throws IOException {
		String s = "你好";
		byte[] b1 = s.getBytes("UTF-8");// 默认编码方式就是UTF-8
		System.out.println(Arrays.toString(b1));
		String s1 = new String(b1, "GBK");// 通过GBK来解码
		System.out.println("s1 = " + s1);
	}

}

运行以上程序，可发现Eclipse控制台打印如下，截图如下。

发现输出结果出现了乱码，至于怎么解决我就不说了。

由GBK来编码，再通过ISO8859-1来解码，乱码问题如何解决？

这里有一种特殊的情况，先对字符串“你好”进行GBK编码，再通过ISO8859-1解码，程序代码如下：

package cn.liayun.readcn;

import java.io.IOException;
import java.util.Arrays;

public class Test {

	public static void main(String[] args) throws IOException {
		method();
	}

	public static void method() throws IOException {
		String s = "你好";
		byte[] b1 = s.getBytes("GBK");// 默认编码方式就是GBK
		System.out.println(Arrays.toString(b1));
		String s1 = new String(b1, "ISO8859-1");// 通过ISO8859-1来解码
		System.out.println("s1 = " + s1);
	}

}

运行以上程序，输出结果肯定会出现乱码——???。

如果要输出正确的字符串内容，可对s1进行ISO8859-1编码，然后再通过GBK解码，所以method()方法的代码应修改为如下，即可解决乱码问题。

package cn.liayun.readcn;

import java.io.IOException;
import java.util.Arrays;

public class Test {

	public static void main(String[] args) throws IOException {
		method();
	}

	public static void method() throws IOException {
		String s = "你好";
		byte[] b1 = s.getBytes("GBK");// 默认编码方式就是GBK
		System.out.println(Arrays.toString(b1));
		String s1 = new String(b1, "ISO8859-1");// 通过ISO8859-1来解码
		System.out.println("s1 = " + s1);
		
		// 对s1进行ISO8859-1编码
		byte[] b2 = s1.getBytes("ISO8859-1");
		System.out.println(Arrays.toString(b2));
		String s2 = new String(b2, "GBK"); // 通过GBK来解码
		System.out.println("s2 = " + s2);
	}

}

不理解以上代码没关系，下面我会图解，如下：

由GBK来编码，再通过UTF-8来解码，乱码问题如何解决？

现在来思考这样一个问题：先对字符串“你好”进行GBK编码，再通过UTF-8解码，编写代码如下：

package cn.liayun.readcn;

import java.io.IOException;
import java.util.Arrays;

public class Test {

	public static void main(String[] args) throws IOException {
		method();
	}

	public static void method() throws IOException {
		String s = "你好";
		byte[] b1 = s.getBytes("GBK");// 默认编码方式就是GBK
		System.out.println(Arrays.toString(b1));
		String s1 = new String(b1, "UTF-8");// 通过UTF-8来解码
		System.out.println("s1 = " + s1);
	}

}

运行以上程序，此时肯定会输出乱码——???。如果想要输出正确的字符串内容，可不可以对s1进行一次UTF-8编码，然后再通过GBK解码呢？即method()方法的代码应修改为如下：

package cn.liayun.readcn;

import java.io.IOException;
import java.util.Arrays;

public class Test {

	public static void main(String[] args) throws IOException {
		method();
	}

	public static void method() throws IOException {
		String s = "你好";
		byte[] b1 = s.getBytes("GBK");// 默认编码方式就是GBK
		System.out.println(Arrays.toString(b1));
		String s1 = new String(b1, "UTF-8");// 通过UTF-8来解码
		System.out.println("s1 = " + s1);
		
		// 对s1进行UTF-8编码
		byte[] b2 = s1.getBytes("UTF-8");
		System.out.println(Arrays.toString(b2));
		String s2 = new String(b2, "GBK"); // 通过GBK来解码
		System.out.println("s2 = " + s2);
	}

}

答案是不可以。如若不信，读者不妨试着调用以上方法，可以看到Eclipse控制台打印如下，给出截图。

发现依然输出乱码——锟斤拷锟?，其原因又是什么呢？不妨画张图来解释一下。