java unicode中文编码转换和反转

admin管理员组

文章数量:1794759

java unicode中文编码转换和反转

情形

今天在调第三方的接口用于查询IP地址所在地时，其返回的是json字符串，并且返回的中文都是unicode的编码方式。 如下：

{"code":0,"data":{"country":"\\u4e2d\\u56fd","country_id":"CN","area":"\\u534e\\u5357","area_id":"800000","region":"\\u5e7f\\u4e1c\\u7701","region_id":"440000","city":"\\u6df1\\u5733\\u5e02","city_id":"440300","county":"\\u5b9d\\u5b89\\u533a","county_id":"440306","isp":"\\u7535\\u4fe1","isp_id":"100017","ip":"116.24.101.170"}}

这种数据，需要处理下。

public class HttpRequest { public static String sendGet(String url, String param) { String result = ""; BufferedReader in = null; String urlNameString = url + param; try { // 建立URL URL realUrl = new URL(urlNameString); // 打开和URL之间的连接 URLConnection connection = realUrl.openConnection(); // 设置通用的请求属性 connection.setRequestProperty("accept", "*/*"); connection.setRequestProperty("connection", "keep-alive"); connection.setRequestProperty("user-agent", "Mozilla/5.0 (Windows NT 6.1; WOW64)"); // 建立实际连接 connection.connect(); // 获得所有响应头字段 Map<String, List<String>> map = connection.getHeaderFields(); for (Map.Entry<String, List<String>> m : map.entrySet()) { List<String> value = m.getValue(); String key = m.getKey(); // System.out.println(key + "----->" + value); } // 定义BufferedReader输入流来读取URL的响应 in = new BufferedReader(new InputStreamReader(connection.getInputStream())); String line; while ((line = in.readLine()) != null) { result += line; } } catch (Exception e) { e.printStackTrace(); } finally { if (in != null) { try { in.close(); } catch (IOException e) { e.printStackTrace(); } } } return result; } /** * unicode转中文 * @param str * @return * @author yutao * @date 2017年1月24日上午10:33:25 */ public static String unicodeToString(String str) { Pattern pattern = Patternpile("(\\\\\\\\u(\\\\p{XDigit}{4}))"); Matcher matcher = pattern.matcher(str); char ch; while (matcher.find()) { ch = (char) Integer.parseInt(matcher.group(2), 16); str = str.replace(matcher.group(1), ch+"" ); } return str; } public static void main(String[] args) { // 发送 GET 请求 try { String s = HttpRequest.sendGet("ip.taobao/service/getIpInfo.php?ip=", "116.24.101.170"); // s = java.URLDecoder.decode(s, "UTF-8"); // s = new String(s.getBytes("ISO-8859-1"), "UTF-8"); System.out.println((char)65); System.out.println(s); System.out.println(unicodeToString(s)); JSONObject jsonObject = JSON.parseObject(s); System.out.println(jsonObject); Object object = jsonObject.get("data"); System.out.println(object); // System.out.println(unicodeToString(s)); } catch (Exception e) { e.printStackTrace(); } } }

从代码上看，Unicode转中文关键是： (char)Integer.parseInt(matcher.group(2), 16)，其中matcher.group(2)表示匹配到的Unicode编码格式。比如：4e2d转成16进制为200013，即：(char)200013为汉字：中。

那么为什么(char)200013可以显示中文呢？

java底层如何表示字符型数据

java中的String类型是采用UTF-16编码实现的，也就是不管在源码的编码如何，在Java虚拟机中的字符串都是使用UTF-16编码实现。

我们要知道String其实就是char[]。也就是说，java底层保存字符型数据是使用16位整数数字。

这意味着我们可以这样：

(char)200013

结果：

中 fastJson

上面是json格式，我们可以使用阿里巴巴的fastJson来处理这个。因为其自动帮我处理好了Unicode编码问题。

JSONObject jsonObject = JSON.parseObject(s); System.out.println(jsonObject);

fastJson使用方法： github/alibaba/fastjson/wiki/%E5%B8%B8%E8%A7%81%E9%97%AE%E9%A2%98

Unicode是啥？

可以理解为是：通用字符集。

世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。 可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是Unicode，就像它的名字都表示的，这是一种所有符号的编码。 Unicode当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样，比如，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字”严”。具体的符号对应表，可以查询unicode，或者专门的汉字对应表。

参考来源> www.ruanyifeng/blog/2007/10/ascii_unicode_and_utf-8.html

但是呢！Unicode只是一个符号集，它和ASCII是同一级别的。它没有规定如何存储。 带来的问题是：如何才能区别Unicode和ASCII？

带来结果：出现了Unicode的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示Unicode。

UTF-8

互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种Unicode的实现方式。其他实现方式还包括UTF-16（字符用两个字节或四个字节表示）和UTF-32（字符用四个字节表示），不过在互联网上基本不用。 重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。

UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。

UTF-8的编码规则很简单，只有二条：

1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。

2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。

下表总结了编码规则，字母x表示可用编码的位。

Unicode符号范围 | UTF-8编码方式 (十六进制) | （二进制） --------------------+--------------------------------------------- 0000 0000-0000 007F | 0xxxxxxx 0000 0080-0000 07FF | 110xxxxx 10xxxxxx 0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx 0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

根据上表，解读UTF-8编码非常简单。如果一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。 下面，还是以汉字”严”为例，演示如何实现UTF-8编码。 已知”严”的unicode是4E25（100111000100101），根据上表，可以发现4E25处在第三行的范围内（0000 0800-0000 FFFF），因此”严”的UTF-8编码需要三个字节，即格式是”1110xxxx 10xxxxxx 10xxxxxx”。然后，从”严”的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，”严”的UTF-8编码是”11100100 10111000 10100101”，转换成十六进制就是E4B8A5。

参考来源：ningg.top/java-encode-byte-char-string/ www.ruanyifeng/blog/2007/10/ascii_unicode_and_utf-8.html

本文标签： 中文javaunicode