编码与乱码(05)---GBK与UTF-8之间的转换--转载

原文地址：http://www.blogjava.net/pengpenglin/archive/2010/02/22/313669.html

【GBK转UTF-8】

在很多论坛、网上经常有网友问“?为什么我使用 new String(tmp.getBytes("ISO-8859-1"),"UTF-8") 或者 new String(tmp.getBytes("ISO-8859-1"),"GBK")可以得到正确的中文，但是使用 new String(tmp.getBytes("GBK"),"UTF-8") 却不能将GBK转换成UTF-8呢？”参考前面的一文，我们就知道原因了。因为如果客户端使用GBK、UTF-8编码，编码后的字节经过ISO-8859-1传输，再用原来相同的编码方式进行解码，这个过程是“无损的转换”---- 因为原始和最终的编码方式相同。但是如果客户端使用GBK编码，到了服务器端要转换成UTF-8，或者相反的过程。想一想，字节还是那些字节，但是编码的规则变了。原来GBK编码后的4个字节要用UTF-8的每个字符3个字节的规则编码，怎么能不乱码呢？所以从现在开始，不要再犯这种错误了。new String(tmp.getBytes("GBK"),"UTF-8") 这个过程，JVM内部是不会帮你自动对字节进行扩展以适应UTF-8的编码的。正确的方法应该是根据UTF-8的编码规则进行字节的扩充，即手动从2个字节变成3个字节，然后再转换成十六进制的UTF-8编码。在这个专题的第一篇文章开头，我们就已经介绍了这个规则：?①得到每个字符的2进制GBK编码?②将该16进制的GBK编码转换成2进制的字符串(2个字节)?③分别在字符串的首位插入110，在第9位插入10，在第17位插入10三个字符串，得到3个字节?④将这3个字节分别转换成16进制编码，得到最终的UTF-8编码。

。下面的代码做了小小的修改

16+3+2+2=24。

最终的测试结果是正确的：string from GBK to UTF-8 byte:? 中文。但是这个方法并不是完美的！要知道这个规则只对中文起作用，如果传入的字符串中包含有单字节字符，如a+3中文，那么解析的结果就变成：string from GBK to UTF-8 byte:? ?????????中文了。为什么呢？道理很简单，这个方法对原本在UTF-8中应该用单字节表示的数字、英文字符、符号都变成3个字节了，所以这里有9个?，代表被转换后的a、+、3字符。所以要让这个方法更加完美，最好的方法就是加入对字符Unicode区间的判断