1、乱码的缘由html
gbk的中文编码是一个汉字用【2】个字节表示，例如汉字“内部”的gbk编码16进制的显示为c4 da b2 bf编码
utf-8的中文编码是一个汉字用【3】个字节表示，例如汉字“内部”的utf-8编码16进制的显示为e5 86 85 e9 83 a8code
很显然，gbk是没法直接转换成utf-8，少字节变为多字节，谁知道缺乏的字节是什么啊？！htm
转换的办法
有办法实现“有损”转换吗？答案是确定的。blog
1.首先将gbk字符串getBytes()获得两个原始字节，转换成二进制字符流，共16位。utf-8
2.根据UTF-8的汉字编码规则，首字节以1110开头，次字节以10开头，第3字节以10开头。在原始的2进制字符串中插入标志位。最终的长度从16--->16+4+2+2=24。字符串
3.转换完成，实际状况须要考虑更多因素，例如字符串是汉字和数字的混合体，须要识别处理数字。get
public void entityTest(){
try {
byte[] str = "支持™".getBytes("gbk");
String gbkStr = new String(str, "gbk");
System.out.println(new String(getUTF8BytesFromGBKString(gbkStr),"UTF-8"));
} catch (UnsupportedEncodingException e) {
e.printStackTrace();
}
}
public static byte[] getUTF8BytesFromGBKString(String gbkStr) {
int n = gbkStr.length();
byte[] utfBytes = new byte[3 * n];
int k = 0;
for (int i = 0; i < n; i++) {
int m = gbkStr.charAt(i);
if (m < 128 && m >= 0) {
utfBytes[k++] = (byte) m;
continue;
}
utfBytes[k++] = (byte) (0xe0 | (m >> 12));
utfBytes[k++] = (byte) (0x80 | ((m >> 6) & 0x3f));
utfBytes[k++] = (byte) (0x80 | (m & 0x3f));
}
if (k < utfBytes.length) {
byte[] tmp = new byte[k];
System.arraycopy(utfBytes, 0, tmp, 0, k);
return tmp;
}
return utfBytes;
}
但在这里仍是有个问题是"支持™"字符串中"™"的字符因为在GBK中不存在，那么在byte[] str = "支持™".getBytes("gbk");的时候"™"字符就已经乱码了，最后致使转码也乱码。GBK还有不少不支持的特殊字符。it