深入解析java String中getBytes()的编码问题

转载请注明出处：http://www.cnblogs.com/Joanna-Yan/p/6900536.html

Java服务器后台在和Android端App通信时，遇到了两端关于用MD5加密同一包含中文的字符串结果不一致的问题。

具体问题描述：

Java服务器后台和Android端AS用了同一个MD5的工具类，且两边项目的默认编码都是UTF-8 ，加密纯英文数字的字符串时，结果一致，对同一包含中文的字符串加密，发现结果不一样，这是为什么呢？

工具类MD5Util代码如下：

public class MD5Util {
    /**
     * 将byte数组转化为16进制输出
     * @param bytes
     * @return
     */
    public static String convertByteToHexString(byte[] bytes){
        String result="";
        for (int i = 0; i < bytes.length; i++) {
            int temp=bytes[i]&0xff;
            String tempHex=Integer.toHexString(temp);
            if(tempHex.length()<2){
                result+="0"+tempHex;
            }else{
                result+=tempHex;
            }
        }
        return result;
    }

    /**
     * MD5加密
     * @param message
     * @return
     * @throws UnsupportedEncodingException
     */
    public static String md5Jdk(String message) throws UnsupportedEncodingException{
        String temp="";
        try {
            MessageDigest md5Digest=MessageDigest.getInstance("MD5");
            byte[] encodeMD5Digest=md5Digest.digest(message.getBytes());
            temp=convertByteToHexString(encodeMD5Digest);
        } catch (NoSuchAlgorithmException e) {
            e.printStackTrace();
        }
        return temp;
    }
}

最后问题锁定在：

IDE的项目默认编码和平台运行环境的编码不是一回事。

改成：message.getBytes("UTF-8");后能解决中文加密不一致的问题。

下面，就String的getBytes()方法深入了解下。

String的getBytes()方法是得到一个字符串的字节数组，但特别要注意的是，本方法将返回该操作系统默认的编码格式的字节数组。如果你在使用这个方法时不考虑这一点，你会发现在一个平台上运行良好的系统，放到另一台机器上会产生意想不到的问题。

比如下面的程序：

public class TestCharset {
    public static void main(String[] args) {
        new TestCharset().execute();
    } 

    private void execute() {
        String s = "Hello!你好！";
        byte[] bytes = s.getBytes();
        System.out.println("bytes lenght is:" + bytes.length);
    }
}

在一个中文WindowsXP系统下，运行时，结果为：

bytes lenght is:12

但是如果放到了一个英文的UNIX环境下运行：

$ java TestCharset bytes lenght is:9

如果你的程序依赖于该结果，将在后续操作中引起问题。为什么在一个系统中结果为12，而在另外一个却变成了9？上面已经提到了，该方法是和平台（编码）相关的。

在中文操作系统中，getBytes方法返回的是一个GBK或GB2313的中文编码的字节数组，其中中文字符各占两个字节。而在英文平台中，一般的默认编码是“ISO-8859-1”，每个字符都只取一个字节（而不管是否非拉丁字符）。

Java中的编码支持

Java是支持多国编码的，在Java中，字符都是以Unicode进行存储的，比如，“你”字的Unicode编码是“4f60”，我们可以通过下面的实验代码来验证：

public class TestCharset {
    public static void main(String[] args) {
        char c = '你';
        int i = c;
        System.out.println(c);
        System.out.println(i);
    }
}

不管你在任何平台上执行，都会有相同的输出：

20320

20320就是Unicode “4f60”的整数值。其实，你可以反编译上面的类，可以发现在生产的.calss文件中字符“你”（或者其它任何中文字串）本身就是以Unicode编码进行存储的：

char c = '/u4F60'; ... ...

即使你知道了编码的编码格式，比如：

javac -encoding GBK TestCharset.java

编译后生成的.class文件中仍然是以Unicode格式存储中文字符或字符串的。

所以。为了避免这种问题，建议大家都在编码中使用String.getBytes(String charset)方法。

下面我们将从字串分别提取ISO-8859-1和GBK两种编码格式的字节数组，看看会有什么结果：

public class TestCharset {
    public static void main(String[] args) {
        new TestCharset().execute();
    }  

    private void execute() {
        String s = "Hello!你好！";
        byte[] bytesISO8859 = null;
        byte[] bytesGBK = null;
        try {
            bytesISO8859 = s.getBytes("iso-8859-1");
            bytesGBK = s.getBytes("GBK");
        } catch (java.io.UnsupportedEncodingException e) {
            e.printStackTrace();
        }
        System.out.println("-------------- /n 8859 bytes:");
        System.out.println("bytes is: " + arrayToString(bytesISO8859));
        System.out.println("hex format is:" + encodeHex(bytesISO8859));
        System.out.println();
        System.out.println("-------------- /n GBK bytes:");
        System.out.println("bytes is: " + arrayToString(bytesGBK));
        System.out.println("hex format is:" + encodeHex(bytesGBK));
    }  

    public static final String encodeHex(byte[] bytes) {
        StringBuffer buff = new StringBuffer(bytes.length * 2);
        String b;
        for (int i = 0; i < bytes.length; i++) {
            b = Integer.toHexString(bytes[i]);
            // byte是两个字节的， 而上面的Integer.toHexString会把字节扩展为4个字节
            buff.append(b.length() > 2 ? b.substring(6, 8) : b);
            buff.append(" ");
        }
        return buff.toString();
    }  

    public static final String arrayToString(byte[] bytes) {
        StringBuffer buff = new StringBuffer();
        for (int i = 0; i < bytes.length; i++) {
            buff.append(bytes[i] + " ");
        }
        return buff.toString();
    }
} 

执行结果：

-------------- /n 8859 bytes:
bytes is: 72 101 108 108 111 33 63 63 63
hex format is:48 65 6c 6c 6f 21 3f 3f 3f 

-------------- /n GBK bytes:
bytes is: 72 101 108 108 111 33 -60 -29 -70 -61 -93 -95
hex format is:48 65 6c 6c 6f 21 c4 e3 ba c3 a3 a1 

可见，在s中提取的8859-1格式的字节数组长度为9，中文字符都变成了“63”，ASCII码为63的是“？”，一些国外的程序在国内中文环境下运行时，经常会出现乱码，上面布满了“？”，就是因为编码没有进行正确处理的结果。

而提取的GBK编码的字节数组中正确得到了中文字符的GBK编码。字符“你”、“好”、“！”的GBK编码分别是：“c4e3”、“bac3”、“a3a1”。得到了正确的以GBK编码的字节数组，以后需要还原为中文字串时，可以使用下面方法：

new String(byte[] bytes, String charset)

如果此文对您有帮助，微信打赏我一下吧~