Java 中文字符串编码之GBK转UTF-8

fuhe

以前转来转去解决的问题终归还是简单的情形。即iso-8859-1转utf-8，或者iso-8859-1转gbk，gb2312之类。这种无损转换，一行代码就搞定。

今天遇到了gbk转utf-8。无论怎么转，都是乱码。

一、乱码的原因

gbk的中文编码是一个汉字用【2】个字节表示，例如汉字“内部”的gbk编码16进制的显示为c4 da b2 bf

utf-8的中文编码是一个汉字用【3】个字节表示，例如汉字“内部”的utf-8编码16进制的显示为e5 86 85 e9 83 a8

很显然，gbk是无法直接转换成utf-8，少字节变为多字节，谁知道缺少的字节是什么啊？！

二、转换的办法

有办法实现“有损”转换吗？答案是肯定的。

1.首先将gbk字符串getBytes()得到两个原始字节，转换成二进制字符流，共16位。

2.根据UTF-8的汉字编码规则，首字节以1110开头，次字节以10开头，第3字节以10开头。在原始的2进制字符串中插入标志位。最终的长度从16--->16+4+2+2=24。

3.转换完成，实际情况需要考虑更多因素，例如字符串是汉字和数字的混合体，需要识别处理数字

public static String getUTF8StringFromGBKString(String gbkStr) {

        try {

            return new String(getUTF8BytesFromGBKString(gbkStr), "UTF-8");

        } catch (UnsupportedEncodingException e) {

            throw new InternalError();

        }

    }

    public static byte[] getUTF8BytesFromGBKString(String gbkStr) {

        int n = gbkStr.length();

        byte[] utfBytes = new byte[3 * n];

        int k = 0;

        for (int i = 0; i < n; i++) {

            int m = gbkStr.charAt(i);

            if (m < 128 && m >= 0) {

                utfBytes[k++] = (byte) m;

                continue;

            }

            utfBytes[k++] = (byte) (0xe0 | (m >> 12));

            utfBytes[k++] = (byte) (0x80 | ((m >> 6) & 0x3f));

            utfBytes[k++] = (byte) (0x80 | (m & 0x3f));

        }

        if (k < utfBytes.length) {

            byte[] tmp = new byte[k];

            System.arraycopy(utfBytes, 0, tmp, 0, k);

            return tmp;

        }

        return utfBytes;

    }