如何解决Windows 上的字符编码混乱
我有一个简单的 Java 程序,它接受十六进制并将其转换为 ASCII。 使用 Java 8,我编译了以下内容:
import java.nio.charset.Charset;
import java.util.Scanner;
public class Main
{
public static void main(String[] args)
{
System.out.println("Charset: " + Charset.defaultCharset());
Scanner in = new Scanner(system.in);
System.out.print("Type a HEX string: ");
String s = in.nextLine();
String asciiStr = new String();
// Split the string into an array
String[] hexes = s.split(":");
// For each hex
for (String hex : hexes) {
// Translate the hex to ASCII
System.out.print(" " + Integer.parseInt(hex,16) + "|" + (char)Integer.parseInt(hex,16));
asciiStr += ((char) Integer.parseInt(hex,16));
}
System.out.println("\nthe ASCII string is " + asciiStr);
in.close();
}
}
我正在将 C0:A8:96:FE
的十六进制字符串传递给程序。我主要关心的是 0x96
值,因为它被定义为控制字符(128 - 159 范围内的字符)。
当我在没有任何 JVM 标志的情况下运行程序时的输出如下:
Charset: windows-1252
Type a HEX string: C0:A8:96:FE
192|À 168|¨ 150|? 254|þ
the ASCII string is À¨?þ
当我使用 JVM 标志 -Dfile.encoding=ISO-8859-1
设置字符编码时的输出如下:
Charset: ISO-8859-1
Type a HEX string: C0:A8:96:FE
192|À 168|¨ 150|– 254|þ
the ASCII string is À¨–þ
我想知道为什么当字符编码设置为 ISO-8859-1 时,字符 128 - 159 会得到额外的 Windows-1252 字符?这些字符不应在 ISO-8859-1 中定义,而应在 Windows-1252 中定义,但在这里似乎是倒退的。在 ISO-8859-1 中,我认为 0x96
字符应该被编码为空白字符,但事实并非如此。相反,Windows-1252 编码会这样做,当它应该将其正确编码为 –
时。有什么帮助吗?
解决方法
tl;博士
我的猜测:虽然您的 JVM 的默认 Charset
可能是“windows-1252”,但您的 System.out
实际上使用的是 Unicode。
你说:
当我使用JVM标志-Dfile.encoding=ISO-8859-1来设置字符编码时
我下面的实验让我怀疑你所做的一切没有实际上影响了 System.out
使用的字符集。我相信在您的两次运行中,当您认为 System.out
使用“windows-1252”或“ISO-8859-1”时,您的 System.out
实际上使用的是 Unicode,可能是 UTF-8。
我希望我知道how to get the Charset
of System.out
。
这种行为将来可能会发生变化,跨平台的 proposal (JEP 400) to use UTF-8 by default 。
详情
实际上,您是在询问 Unicode 而不是 ASCII。 ASCII 只有 128 个字符。
你说:
我主要关心的是 0x96 值,因为它被定义为控制字符(128 - 159 范围内的字符)。
实际上,该范围的控制字符在 Unicode(和 ASCII)中从 127 开始,而不是 128。代码点 127 是 DELETE character。所以127-159是控制字符。
首先,让我们拆分输入的十六进制代码字符串。
final List < String > hexInputs = List.of( "C0:A8:96:FE".split( ":" ) );
System.out.println( "hexInputs = " + hexInputs );
运行时。
hexInputs = [C0,A8,96,FE]
现在将每个十六进制文本转换为十六进制整数。我们将该整数用作 Unicode code point。
与其依赖某些默认字符编码,不如明确设置我们的 Charset
的 System.out
。我不是这方面的专家,但一些网络搜索发现了下面的代码,我们将 System.out
包装在一个新的 PrintStream
中,同时按其名称设置 Charset
。我找不到获取Charset
的{{1}}的方法,所以I asked。
UTF-8
PrintStream
运行时。
// UTF-8
System.out.println( "----------| UTF-8 |--------------------------" );
try
{
PrintStream printStream = new PrintStream( System.out,true,StandardCharsets.UTF_8.name() ); // "UTF-8".
for ( String hexInput : hexInputs )
{
int codePoint = Integer.parseInt( hexInput,16 );
String string = Character.toString( codePoint );
printStream.println( "hexInput: " + hexInput + " = codePoint: " + codePoint + " = string: [" + string + "] = isLetter: " + Character.isLetter( codePoint ) + " = name: " + Character.getName( codePoint ) );
}
}
catch ( UnsupportedEncodingException e )
{
e.printStackTrace();
}
Windows-1252
接下来,我们执行相同的操作,但将 "windows-1252"
设置为我们包装的 ----------| UTF-8 |--------------------------
hexInput: C0 = codePoint: 192 = string: [À] = isLetter: true = name: LATIN CAPITAL LETTER A WITH GRAVE
hexInput: A8 = codePoint: 168 = string: [¨] = isLetter: false = name: DIAERESIS
hexInput: 96 = codePoint: 150 = string: [] = isLetter: false = name: START OF GUARDED AREA
hexInput: FE = codePoint: 254 = string: [þ] = isLetter: true = name: LATIN SMALL LETTER THORN
的 Charset
。在进行包装之前,我们验证这样的字符编码在我们当前的 JVM 上确实可用。
System.out
运行时。
// windows-1252
System.out.println( "----------| windows-1252 |--------------------------" );
// Verify windows-1252 charset is available on the current JVM.
String windows1252CharSetName = "windows-1252";
boolean isWindows1252CharsetAvailable = Charset.availableCharsets().keySet().contains( windows1252CharSetName );
if ( isWindows1252CharsetAvailable )
{
System.out.println( "isWindows1252CharsetAvailable = " + isWindows1252CharsetAvailable );
} else
{
System.out.println( "FAIL - No charset available for name: " + windows1252CharSetName );
}
try
{
PrintStream printStream = new PrintStream( System.out,windows1252CharSetName );
for ( String hexInput : hexInputs )
{
int codePoint = Integer.parseInt( hexInput,16 );
String string = Character.toString( codePoint );
printStream.println( "hexInput: " + hexInput + " = codePoint: " + codePoint + " = string: [" + string + "] = isLetter: " + Character.isLetter( codePoint ) + " = name: " + Character.getName( codePoint ) );
}
}
catch ( UnsupportedEncodingException e )
{
e.printStackTrace();
}
Latin-1
我们也可以尝试 Latin-1,产生不同的结果。
----------| windows-1252 |--------------------------
isWindows1252CharsetAvailable = true
hexInput: C0 = codePoint: 192 = string: [�] = isLetter: true = name: LATIN CAPITAL LETTER A WITH GRAVE
hexInput: A8 = codePoint: 168 = string: [�] = isLetter: false = name: DIAERESIS
hexInput: 96 = codePoint: 150 = string: [?] = isLetter: false = name: START OF GUARDED AREA
hexInput: FE = codePoint: 254 = string: [�] = isLetter: true = name: LATIN SMALL LETTER THORN
运行时。
// ISO-8859-1
System.out.println( "----------| Latin-1 |--------------------------" );
// Verify that charset is available on the current JVM.
String latin1CharsetName = "ISO-8859-1"; // Also known as "Latin-1".
boolean isLatin1CharsetNameAvailable = Charset.availableCharsets().keySet().contains( latin1CharsetName );
if ( isLatin1CharsetNameAvailable )
{
System.out.println( "isLatin1CharsetNameAvailable = " + isLatin1CharsetNameAvailable );
} else
{
System.out.println( "FAIL - No charset available for name: " + latin1CharsetName );
}
try
{
PrintStream printStream = new PrintStream( System.out,latin1CharsetName );
for ( String hexInput : hexInputs )
{
int codePoint = Integer.parseInt( hexInput,16 );
String string = Character.toString( codePoint );
printStream.println( "hexInput: " + hexInput + " = codePoint: " + codePoint + " = string: [" + string + "] = isLetter: " + Character.isLetter( codePoint ) + " = name: " + Character.getName( codePoint ) );
}
}
catch ( UnsupportedEncodingException e )
{
e.printStackTrace();
}
结论
因此您可以看到,当对我们包装的 ----------| Latin-1 |--------------------------
isLatin1CharsetNameAvailable = true
hexInput: C0 = codePoint: 192 = string: [�] = isLetter: true = name: LATIN CAPITAL LETTER A WITH GRAVE
hexInput: A8 = codePoint: 168 = string: [�] = isLetter: false = name: DIAERESIS
hexInput: 96 = codePoint: 150 = string: [�] = isLetter: false = name: START OF GUARDED AREA
hexInput: FE = codePoint: 254 = string: [�] = isLetter: true = name: LATIN SMALL LETTER THORN
的 Charset
进行硬编码时,我们确实看到了差异。使用 UTF-8,我们得到实际字符 System.out
,而使用 windows-1252,我们得到三个时髦的问号字符和一个常规问号 [À],[¨],[],[þ]
。请记住,我们在代码中添加了方括号。
我的代码的这种行为符合我的期望,显然也符合您的期望。这四个十六进制/十进制整数中的两个是 Unicode 中的字母,而它们都不是 Windows 1252 字符集中的字母,也不是 Latin-1 中的字母。对我来说唯一神秘的是十六进制 96 十进制 150 数字有两种不同的表示形式,一个是 UTF-8 的空格,一个是 windows-1252 的问号,然后是拉丁语 1 下的一个时髦的问号。>
结论:您的 [�],[�],[?],[�]
没有使用您认为它正在使用的 System.out
。我怀疑虽然您的 JVM 的 JVM 的默认 Charset
可能被命名为“windows-1252”,但您的 Charset
实际上是 Unicode 字符集,可能带有 UTF-8编码。
读者注意事项:如果不熟悉字符集和字符编码,我推荐有趣且易读的帖子 The Absolute Minimum Every Software Developer Absolutely,Positively Must Know About Unicode and Character Sets (No Excuses!)。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。