简介
字符串是我们日常编码过程中使用到最多的 java 类型了。全球各个地区的语言不同，即使使用了 Unicode 也会因为编码格式的不同采用不同的编码方式，如 UTF-8，UTF-16，UTF-32 等。
我们在使用字符和字符串编码的过程中会遇到哪些问题呢？一起来看看吧。
使用变长编码的不完全字符来创建字符串
在 java 中 String 的底层存储 char[]是以 UTF-16 进行编码的。
注意，在 JDK9 之后，String 的底层存储已经变成了 byte[]。
StringBuilder 和 StringBuffer 还是使用的是 char[]。
那么当我们在使用 InputStreamReader，OutputStreamWriter 和 String 类进行 String 读写和构建的时候，就需要涉及到 UTF-16 和其他编码的转换。
我们来看一下从 UTF-8 转换到 UTF-16 可能会遇到的问题。
先看一下 UTF-8 的编码：
UTF-8 使用 1 到 4 个字节表示对应的字符，而 UTF-16 使用 2 个或者 4 个字节来表示对应的字符。
转换起来可能会出现什么问题呢？
public String readByteWrong(InputStream inputStream) throws IOException { byte[] data = new byte[1024]; int offset = 0; int bytesRead = 0; String str="";
while ((bytesRead = inputStream.read(data, offset, data.length - offset)) != -1) { str += new String(data, offset, bytesRead, "UTF-8"); offset += bytesRead; if (offset >= data.length) { throw new IOException("Too much input"); } } return str; }
复制代码
上面的代码中，我们从 Stream 中读取 byte，每读一次 byte 就将其转换成为 String。很明显，UTF-8 是变长的编码，如果读取 byte 的过程中，恰好读取了部分 UTF-8 的代码，那么构建出来的 String 将是错误的。
我们需要下面这样操作：
public String readByteCorrect(InputStream inputStream) throws IOException { Reader r = new InputStreamReader(inputStream, "UTF-8"); char[] data = new char[1024]; int offset = 0; int charRead = 0; String str="";
while ((charRead = r.read(data, offset, data.length - offset)) != -1) { str += new String(data, offset, charRead); offset += charRead; if (offset >= data.length) { throw new IOException("Too much input"); } } return str; }
复制代码
我们使用了 InputStreamReader，reader 将会自动把读取的数据转换成为 char，也就是说自动进行 UTF-8 到 UTF-16 的转换。
所以不会出现问题。
char 不能表示所有的 Unicode
因为 char 是使用 UTF-16 来进行编码的，对于 UTF-16 来说，U+0000 to U+D7FF 和 U+E000 to U+FFFF，这个范围的字符，可以直接用一个 char 来表示。
但是对于 U+010000 to U+10FFFF 是使用两个 0xD800–0xDBFF 和 0xDC00–0xDFFF 范围的 char 来表示的。
这种情况下，两个 char 合并起来才有意思，单独一个 char 是没有任何意义的。
考虑下面的我们的的一个 subString 的方法，该方法的本意是从输入的字符串中找到第一个非字母的位置，然后进行字符串截取。
public static String subStringWrong(String string) { char ch; int i; for (i = 0; i < string.length(); i += 1) { ch = string.charAt(i); if (!Character.isLetter(ch)) { break; } } return string.substring(i); }
复制代码
上面的例子中，我们一个一个的取出 string 中的 char 字符进行比较。如果遇到 U+010000 to U+10FFFF 范围的字符，就可能报错，误以为该字符不是 letter。
我们可以这样修改：
public static String subStringCorrect(String string) { int ch; int i; for (i = 0; i < string.length(); i += Character.charCount(ch)) { ch = string.codePointAt(i); if (!Character.isLetter(ch)) { break; } } return string.substring(i); }
复制代码
我们使用 string 的 codePointAt 方法，来返回字符串的 Unicode code point，然后使用该 code point 来进行 isLetter 的判断就好了。
注意 Locale 的使用
为了实现国际化支持，java 引入了 Locale 的概念，而因为有了 Locale，所以会导致字符串在进行转换的过程中，产生意想不到变化。
考虑下面的例子：
public void toUpperCaseWrong(String input){ if(input.toUpperCase().equals("JOKER")){ System.out.println("match!"); } }
复制代码
我们期望的是英语，如果系统设置了 Locale 是其他语种的话，input.toUpperCase()可能得到完全不一样的结果。
幸好，toUpperCase 提供了一个 locale 的参数，我们可以这样修改：
public void toUpperCaseRight(String input){ if(input.toUpperCase(Locale.ENGLISH).equals("JOKER")){ System.out.println("match!"); } }
复制代码
同样的， DateFormat 也存在着问题：
public void getDateInstanceWrong(Date date){ String myString = DateFormat.getDateInstance().format(date); }
public void getDateInstanceRight(Date date){ String myString = DateFormat.getDateInstance(DateFormat.MEDIUM, Locale.US).format(date); }
复制代码
我们在进行字符串比较的时候，一定要考虑到 Locale 影响。
文件读写中的编码格式
我们在使用 InputStream 和 OutputStream 进行文件对写的时候，因为是二进制，所以不存在编码转换的问题。
但是如果我们使用 Reader 和 Writer 来进行文件的对象，就需要考虑到文件编码的问题。
如果文件是 UTF-8 编码的，我们是用 UTF-16 来读取，肯定会出问题。
考虑下面的例子：
public void fileOperationWrong(String inputFile,String outputFile) throws IOException { BufferedReader reader = new BufferedReader(new FileReader(inputFile)); PrintWriter writer = new PrintWriter(new FileWriter(outputFile)); int line = 0; while (reader.ready()) { line++; writer.println(line + ": " + reader.readLine()); } reader.close(); writer.close(); }
复制代码
我们希望读取源文件，然后插入行号到新的文件中，但是我们并没有考虑到编码的问题，所以可能会失败。
上面的代码我们可以修改成这样：
BufferedReader reader = new BufferedReader(new InputStreamReader(new FileInputStream(inputFile), Charset.forName("UTF8")));PrintWriter writer = new PrintWriter(new OutputStreamWriter(new FileOutputStream(outputFile), Charset.forName("UTF8")));
复制代码
通过强制指定编码格式，从而保证了操作的正确性。
不要将非字符数据编码为字符串
我们经常会有这样的需求，就是将二进制数据编码成为字符串 String，然后存储在数据库中。
二进制是以 Byte 来表示的，但是从我们上面的介绍可以得知不是所有的 Byte 都可以表示成为字符。如果将不能表示为字符的 Byte 进行字符的转化，就有可能出现问题。
看下面的例子：
public void convertBigIntegerWrong(){ BigInteger x = new BigInteger("1234567891011"); System.out.println(x); byte[] byteArray = x.toByteArray(); String s = new String(byteArray); byteArray = s.getBytes(); x = new BigInteger(byteArray); System.out.println(x); }
复制代码
上面的例子中，我们将 BigInteger 转换为 byte 数字（大端序列），然后再将 byte 数字转换成为 String。最后再将 String 转换成为 BigInteger。
先看下结果：
123456789101180908592843917379
复制代码
发现没有转换成功。
虽然 String 可以接收第二个参数，传入字符编码，目前 java 支持的字符编码是：ASCII，ISO-8859-1,UTF-8,UTF-8BE, UTF-8LE,UTF-16，这几种。默认情况下 String 也是大端序列的。
上面的例子怎么修改呢？
public void convertBigIntegerRight(){ BigInteger x = new BigInteger("1234567891011"); String s = x.toString(); //转换成为可以存储的字符串 byte[] byteArray = s.getBytes(); String ns = new String(byteArray); x = new BigInteger(ns); System.out.println(x); }
复制代码
我们可以先将 BigInteger 用 toString 方法转换成为可以表示的字符串，然后再进行转换即可。
我们还可以使用 Base64 来对 Byte 数组进行编码，从而不丢失任何字符，如下所示：
public void convertBigIntegerWithBase64(){ BigInteger x = new BigInteger("1234567891011"); byte[] byteArray = x.toByteArray(); String s = Base64.getEncoder().encodeToString(byteArray); byteArray = Base64.getDecoder().decode(s); x = new BigInteger(byteArray); System.out.println(x);
}
复制代码
本文的代码：
learn-java-base-9-to-20/tree/master/security
本文已收录于 http://www.flydean.com/java-security-code-line-string/
最通俗的解读，最深刻的干货，最简洁的教程，众多你不知道的小技巧等你来发现！
欢迎关注我的公众号:「程序那些事」,懂技术，更懂你！
评论