從Java String例項來理解ANSI、Unicode、BMP、UTF等編碼概念

一、前言

一切的謎都解開了！在寫這篇隨筆之前，我的心情只能用金田一每次破案後的這句臺詞來表達。

其實從開始寫Java程式碼以來，遇到過無數次亂碼與轉碼問題，比如從文字檔案讀入到String出現亂碼，JSP獲取HTTP請求引數出現亂碼等問題，由於這些問題很常見，遇到的時候隨手百度一下一般都可以順利解決。也曾嘗試過去把概念理清楚，但網上眾說紛紜，內容繁雜，又不願意花精力去看標準文件，所以問題擱置了很久。

前兩天同學與我談起一個Java原始檔的編碼問題（這問題在最後一個例項分析），從這個問題入手拉扯出了一連串的問題，然後我們一邊查資料一邊討論，直到深夜，終於在一篇部落格中找到了關鍵性線索，解決了所有的疑惑，以前沒有理解的語句都能解釋清楚了。因此我決定用這篇隨筆，記錄我對一些編碼問題的理解以及實驗的結果。

下面有些概念是我自己結合實際的理解，如果有誤，請一定不吝指正。

二、概念總結

早期，網際網路還沒有發展起來，計算機僅用於處理一些本地的資料，所以很多國家和地區針對本土的語言設計了編碼方案，這種與區域相關的編碼統稱為ANSI編碼（因為都是對ANSI-ASCII碼的擴充套件）。但是他們沒有事先商量好怎麼相互相容，而是自己搞自己的，這樣就埋下了編碼衝突的禍根，比如大陸使用的GB2312編碼與臺灣使用的Big5編碼就有衝突，同樣的兩個位元組，在兩種編碼方案裡表示的是不同的字元，隨著網際網路的興起，一個文件裡經常會包含多種語言，計算機在顯示的時候就遇到麻煩了，因為它不知道這兩個位元組到底屬於哪種編碼。

這樣的問題在世界上普遍存在，因此重新定義一個通用的字符集，為世界上所有字元進行統一編號的呼聲不斷高漲。

由此Unicode碼應運而生，它為世界上所有字元進行了統一編號，由於它可以唯一標識一個字元，所以字型也只需要針對Unicode碼進行設計就行了。但Unicode標準定義的是一個字符集，而沒有規定編碼方案，也就是說它僅僅定義了一個個抽象的數字與其對應的字元，而沒有規定具體怎麼儲存一串Unicode數字，真正規定怎麼儲存的是UTF-8、UTF-16、UTF-32等方案，所以帶有UTF開頭的編碼，都是可以直接通過計算和Unicode數值（Code Point，程式碼點）進行轉換的。顧名思義，UTF-8就是8位長度為基本單位編碼，它是變長編碼，用1~6個位元組來編碼一個字元（因為受Unicode範圍的約束，所以實際最大隻有4位元組）；UTF-16是16位為基本單位編碼，也是變長編碼，要麼2個位元組要麼4個位元組；UTF-32則是定長的，固定4位元組儲存一個Unicode數。

其實我以前一直對Unicode有點誤解，在我的印象中Unicode碼最大隻能到0xFFFF，也就是最多隻能表示 2^16 個字元，在仔細看了維基百科之後才明白，早期的UCS-2編碼方案確實是這樣，UCS-2固定使用兩個位元組來編碼一個字元，因此它只能編碼BMP（基本多語言平面，即0×0000-0xFFFF，包含了世界上最常用的字元）範圍內的字元。為了要編碼Unicode大於0xFFFF的字元，人們對UCS-2編碼進行了擴充，創造了UTF-16編碼，它是變長的，在BMP範圍內，UTF-16與UCS-2完全一致，而BMP之外UTF-16則使用4個位元組來儲存。

為了方便下面的描述，先交代一下程式碼單元（Code Unit）的概念，某種編碼的基本組成單位就叫程式碼單元，比如UTF-8的程式碼單元為1個位元組，UTF-16的程式碼單元為2個位元組，不好解釋，但是很好理解。

為了相容各種語言以及更好的跨平臺，Java String儲存的就是字元的Unicode碼。它以前使用的是UCS-2編碼方案來儲存Unicode，後來發現BMP範圍內的字元不夠用了，但是出於記憶體消耗和相容性的考慮，並沒有升到UCS-4（即UTF-32，固定4位元組編碼），而是採用了上面所說的UTF-16，char型別可看作其程式碼單元。這個做法導致了一些麻煩，如果所有字元都在BMP範圍內還沒事，若有BMP外的字元，就不再是一個程式碼單元對應一個字元了，length方法返回的是程式碼單元的個數，而不是字元的個數，charAt方法返回的自然也是一個程式碼單元而不是一個字元，遍歷起來也變得麻煩，雖然提供了一些新的操作方法，總歸還是不方便，而且還不能隨機訪問。

此外，我發現Java在編譯的時候還不會處理大於0xFFFF的Unicode字面量，所以如果你敲不出某個非BMP字元來，但是你知道它的Unicode碼，得用一個比較笨的方法來讓String儲存它：手動計算出該字元的UTF-16編碼（四位元組），把前兩個位元組和後兩個位元組各作為一個Unicode數，然後賦值給String，示例程式碼如下所示。

public static void main(String[] args) {
        //String str = "";        //我們想賦值這樣一個字元，假設我輸入法打不出來

        //但我知道它的Unicode是0x1D11E
        //String str = "\u1D11E";  //這樣寫不會識別

        //於是通過計算得到其UTF-16編碼 D834 DD1E
        String str = "\uD834\uDD1E"; //然後這麼寫

        System.out.println(str);     //成功輸出了""
    }

Windows系統自帶的記事本可以另存為Unicode編碼，實際上指的是UTF-16編碼。上面說了，主要使用的字元編碼都在BMP範圍內，而在BMP範圍內，每個字元的UTF-16編碼值與對應的Unicode數值是相等的，這大概就是微軟把它稱為Unicode的原因吧。舉個例子，我在記事本中輸入了”好a“兩個字元，然後另存為Unicode big endian（高位優先）編碼，用WinHex開啟檔案，內容如下圖，檔案開頭兩個位元組被稱為Byte Order Mark（位元組順序標記），（FE FF）標識位元組序為高位優先，然後（59 7D）正是”好“的Unicode碼，（00 61）正是”a“的Unicode碼。

有了Unicode碼，也還不能立即解決問題，因為首先世界上已經存在了大量的非Unicode標準的編碼資料，我們不可能丟棄它們，其次Unicode的編碼往往比ANSI編碼更佔空間，所以從節約資源的角度來說，ANSI編碼還是有存在的必要的。所以需要建立一個轉換機制，使得ANSI編碼可以轉換到Unicode進行統一處理，也可以把Unicode轉換到ANSI編碼以適應平臺的要求。

轉換方法說起來比較容易，對於UTF系列或者是ISO-8859-1這種被相容的編碼，可以通過計算和Unicode數值直接進行轉換（實際可能也是查表），而對於系統遺留下來的ANSI編碼，則只能通過查表的方式進行，微軟把這種對映表稱為Code Page（內碼表），並按編碼進行分類編號，比如我們常見的cp936就是GBK的內碼表，cp65001就是UTF-8的內碼表。下圖是微軟官網查到的GBK->Unicode對映表（目測不全），同理還應有反向的Unicode->GBK對映表。

有了內碼表，就可以很方便的進行各種編碼轉換了，比如從GBK轉換到UTF-8，只需要先按照GBK的編碼規則對資料按字元劃分，用每個字元的編碼資料去查GBK內碼表，得到其Unicode數值，再用該Unicode去查UTF-8的內碼表（或直接計算），就可以得到對應的UTF-8編碼。反過來同理。注意：UTF-8是Unicode的標準實現，它的內碼表中包含了所有的Unicode取值，所以任意編碼轉換到UTF-8，再轉換回去都不會有任何丟失。至此，我們可以得出一個結論就是，要完成編碼轉換工作，最重要的是第一步要成功的轉換到Unicode，所以正確選擇字符集（內碼表）是關鍵。

理解了轉碼丟失問題的本質後，我才突然明白JSP的框架為什麼要以ISO-8859-1去解碼HTTP請求引數，導致我們獲取中文引數的時候不得不寫這樣的語句：

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

因為JSP框架接收到的是引數編碼的二進位制位元組流，它不知道這究竟是什麼編碼（或者不關心），也就不知道該查哪個內碼表去轉換到Unicode。然後它就選擇了一種絕對不會產生丟失的方案，它假設這是ISO-8859-1編碼的資料，然後查ISO-8859-1的內碼表，得到Unicode序列，因為ISO-8859-1是按位元組編碼的，而且不同於ASCII的是，它對0 ~ 255空間的每一位都進行了編碼，所以任意一個位元組都能在它的內碼表中找到對應的Unicode，若再從Unicode轉回原始位元組流的話也就不會有任何丟失。它這樣做，對於不考慮其他語言的歐美程式設計師來說，可以直接用JSP框架解碼好的String，而要相容其他語言的話也只需要轉回原始位元組流，再以實際的內碼表去解碼一下就好。

我對Unicode以及字元編碼的相關概念闡述完畢，接下來用Java例項來感受一下。

三、例項分析

1.轉換到Unicode——String構造方法

String的構造方法就是把各種編碼資料轉換到Unicode序列（以UTF-16編碼儲存），下面這段測試程式碼，用來展示Java String構造方法的應用，例項中都不涉及非BMP字元，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編碼資料
        byte[] gbkData = {(byte)0xc4, (byte)0xe3, (byte)0xba, (byte)0xc3};
        //"你好"的BIG5編碼資料
        byte[] big5Data = {(byte)0xa7, (byte)0x41, (byte)0xa6, (byte)0x6e};

        //構造String，解碼為Unicode

        String strFromGBK = new String(gbkData, "GBK");
        String strFromBig5 = new String(big5Data, "BIG5");

        //分別輸出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();
    }
}

執行結果如下圖

從結果可以發現，只要指定了正確的字符集（內碼表），String就可以解碼出正確的Unicode，最後可以試試println(“\u4f60\u597d”)，輸出的就是“你好”。

2.Unicode轉換到各種編碼——getBytes

String擁有了Unicode序列，想要轉換到其它編碼就易如反掌了，根據你引數指定的字符集，去相應的內碼表查詢就可以轉換過去了，當然如果該字符集不支援某字元（也就是沒有這條Unicode記錄），那就會導致編碼丟失，再也不能還原到原來的Unicode序列了。

這裡，我們和第1節的做法相反，我們把Unicode序列轉換到其它各種編碼，如下所示。

public class Test {

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

        //轉換到各種編碼

        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();
    }
}

執行結果如下圖

可以發現，由於String掌握了Unicode碼，要轉換到其它編碼so easy！

3.以Unicode為橋樑，實現編碼互轉

有了上面兩部分的基礎，要實現編碼互轉就很簡單了，只需要把他們聯合使用就可以了。先new String把原編碼資料轉換為Unicode序列，再呼叫getBytes轉到指定的編碼就OK。

比如一個很簡單的GBK到Big5的轉換程式碼如下

public static void main(String[] args) throws UnsupportedEncodingException {
        //假設這是以位元組流方式從檔案中讀取到的資料（GBK編碼）
        byte[] gbkData = {(byte) 0xc4, (byte) 0xe3, (byte) 0xba, (byte) 0xc3};

        //轉換到Unicode
        String tmp = new String(gbkData, "GBK");

        //從Unicode轉換到Big5編碼
        byte[] big5Data = tmp.getBytes("Big5");

        //後續操作……
    }

4.編碼丟失問題

上面已經解釋了，JSP框架採用ISO-8859-1字符集來解碼的原因。先用一個例子來模擬這個還原過程，程式碼如下

public class Test {

    public static void main(String[] args) throws UnsupportedEncodingException {
        //JSP框架收到6個位元組的資料
        byte[] data = {(byte) 0xe4, (byte) 0xbd, (byte) 0xa0, (byte) 0xe5, (byte) 0xa5, (byte) 0xbd};
        //列印原始資料
        showBytes(data);
        //JSP框架假設它是ISO-8859-1的編碼，生成一個String物件
        String tmp = new String(data, "ISO-8859-1");

        //**************JSP框架部分結束********************

        //開發者拿到後列印它發現是6個歐洲字元，而不是預期的"你好"
        System.out.println("  ISO解碼的結果：" + tmp);

        //因此首先要得到原始的6個位元組的資料（反查ISO-8859-1的內碼表）
        byte[] utfData = tmp.getBytes("ISO-8859-1");

        //列印還原的資料
        showBytes(utfData);

        //開發者知道它是UTF-8編碼的，因此用UTF-8的內碼表，重新構造String物件
        String result = new String(utfData, "UTF-8");
        //再列印，正確了！
        System.out.println("  UTF-8解碼的結果：" + result);
    }

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

執行結果如下，第一次輸出是不正確的，因為解碼規則不對，也查錯了內碼表，得到的是錯誤的Unicode。然後發現通過錯誤的Unicode反查ISO-8859-1內碼表還能完美的還原資料。

然後我們嘗試把ISO-8859-1替換為ASCII，結果就會變成這樣子

這是因為，ASCII雖然也是每位元組對應一個字元，但是它只對0~127這個空間進行了編碼，也就是說每個位元組的最大值只能為0x7F，而上面的6個位元組全部都大於這個數值，因此在ASCII的內碼表中是找不到這6個位元組的，於是Java就搞了一個預設值。我用如下的程式碼測試發現，當通過編碼資料在內碼表中查不到對應的Unicode時，就返回預設值\ufffd（對應圖中第一種問號），反過來，當通過Unicode在內碼表中查不到對應的編碼資料時，就返回預設值0x3f（ASCII，對應圖中第二種問號）。由此，這個輸出結果也就可以解釋清楚了。

public static void main(String[] args) throws IOException {
        //輸出結果全為\ufffd
        byte[] data = {(byte) 0x80};
        showUnicode(new String(data, "UTF-8"));
        showUnicode(new String(data, "GBK"));
        showUnicode(new String(data, "Big5"));

        //輸出結果全為0x3f
        String str = "\uccdd";
        showBytes(str, "GBK");
        showBytes(str, "BIG5");
        showBytes(str, "ISO-8859-1");
    }

5.Java原始檔的編碼問題

這就是開頭所提到的那個問題，把問題描述一下先。就如下這麼一小段程式碼，原始檔使用UTF-8編碼儲存。（注意別用Windows的記事本，因為它會在UTF-8檔案最前面加入一個3位元組的BOM頭，而很多程式都不相容這一點）

public class Test {

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

然後在Windows中使用預設引數編譯該檔案（系統區域設定為簡體中文，即預設使用GBK字符集解碼），然後會得到如下錯誤

這不是重點，重點如果把“中”換成“中國”，編譯就會成功，執行結果如下圖。另外進一步可發現，中文字元個數為奇數時編譯失敗，偶數時通過。這是為什麼呢？下面詳細分析一下。

因為Java String內部使用的是Unicode，所以在編譯的時候，編譯器就會對我們的字串字面量進行轉碼，從原始檔的編碼轉換到Unicode（維基百科說用的是與UTF-8稍微有點不同的編碼）。編譯的時候我們沒有指定encoding引數，所以編譯器會預設以GBK方式去解碼，對UTF-8和GBK有點了解的應該會知道，一般一箇中文字元使用UTF-8編碼需要3個位元組，而GBK只需要2個位元組，這就能解釋為什麼字元數的奇偶性會影響結果，因為如果2個字元，UTF-8編碼佔6個位元組，以GBK方式來解碼恰好能解碼為3個字元，而如果是1個字元，就會多出一個無法對映的位元組，就是圖中問號的地方。

再具體一點的話，原始檔中“中國”二字的UTF-8編碼是 e4 b8 ad e5 9b bd，編譯器以GBK方式解碼，3個位元組對分別查cp936得到3個Unicode值，分別是6d93 e15e 6d57，對應結果圖中的三個奇怪字元。如下圖所示，編譯後這3個Unicode在.class檔案中實際以類UTF-8編碼儲存，執行的時候，JVM中儲存的就是Unicode，然而最終輸出時，還是會編碼之後傳遞給終端，這次約定的編碼就是系統區域設定的編碼，所以如果終端編碼設定改了，還是會亂碼。我們這裡的e15e在Unicode標準中並沒有定義相應的字元，所以在不同平臺不同字型下顯示會有所不同。

可以想象，如果反過來，原始檔以GBK編碼儲存，然後騙編譯器說是UTF-8，那基本上是無論輸入多少箇中文字元都無法編譯通過了，因為UTF-8的編碼很有規律性，隨意組合的位元組是不會符合UTF-8編碼規則的。

當然，要使編譯器能正確的把編碼轉換到Unicode，最直接的方法還是老老實實告訴編譯器原始檔的編碼是什麼。

四、總結

經過這次收集整理和實驗，瞭解了很多與編碼相關的概念，也熟悉了編碼轉換的具體過程，這些思想可以推廣到各種程式語言去，實現原理都類似，所以我想以後再遇到這類問題，應該不會再不知所以然了。