中文乱码恢复weixin

作者:

  中文乱码是开发中常见的问题,一般情况下出现中文乱码是因为对 中文字符 的编码方式和解密方式不一致导致的,这种情况下,只要设置统一的字符编码方式就可以解决或者避免出现乱码问题。但在项目开发中,偶尔会出现不管怎么设置编码方式,都不能正确恢复乱码的问题。上次正好遇到了这样一个中文乱码问题,在解决问题的过程中,了解了字符编码的历史,常见编码字符集的由来,对解决中文乱码问题起到了很大的帮助(对字符编码以及各种常见字符集的分析总结,会在后面的博客中发出来)。

  对于切换编码方式无法解决的中文乱码问题,常见的原因是:一段使用A编码方式的中文,在传输、存储的过程中被错误的使用B编码方式编码,再次展示的时候使用A编码方式解码,最终出现了很奇怪的乱码问题。

  例如: 你好  这个中文单词,最开始使用 UTF-8 编码,那么其16进制编码为:E4BDA0 E5A5BD,然而在解码的时候,错误的使用了 GB18030 编码方式,也就是说,这个时候解码程序以GB18030字符集解码 E4BD A0E5 A5BD 这段16进制,得到的结果是:浣犲ソ 。很明显,这个时候乱码了。这时,在传输、存储这段乱码文本的时候,使用了 UTF-8 编码方式来进行编码,也就是对  浣犲ソ  这段文本进行编码,得到16进制编码为:E6B5A3E78AB2E382BD20 ,然后数据库或文件里存储的内容就变成了 E6B5A3E78AB2E382BD20。

  对于 E6B5A3E78AB2E382BD20 这段16进制代码,如果使用 UTF-8 编码方式来解码的话,得到的是:  浣犲ソ  ,乱码了。而如果使用 GB18030字符集 来解码的话,得到的是: 娴g姴銈??  这样的乱码。不管使用其他的各种编码字符集进行解码,得到的结果都是一样——各种各样的乱码。

  从乱码的过程可以看出,关键的一步在于第一次解码的时候,也就是使用 GB18030字符集解码的时候,乱码了,后面就是按照乱码文本进行存储,就算是用存储时的字符集解码,得到的依然是乱码文本。

  这个时候怎么办呢?瞎猜。

  尝试各种常见的字符集,先推测最开始用什么字符集编码的,后来又用的什么字符集解码的,对各种可能都尝试一遍,看哪种组合的结果能推导出正确的中文文本,就可以知道如果恢复了。

 

  自己写了一个恢复中文乱码的程序,成功的恢复了乱码的中文文本,并在后续的乱码问题修复中多次使用,贴出来供大家参考一下。

package com.zy.test.encode; import java.io.UnsupportedEncodingException; public class EncodeTest { private static String[] charsetArr = {"UTF-8","GB18030","GB2312","GBK","Windows-1252","ISO8859-1"}; public static void testAllCharset(String text) throws UnsupportedEncodingException { if (text == null || text.length() == 0) { System.out.println("文本不能为空"); return; } System.out.println("假设当前编码 假设原始编码 编码后的内容"); printSeparator(); for (String curCharset : charsetArr) { byte[] btArr = text.getBytes(curCharset); for (String originCharset : charsetArr) { if (originCharset.equals(curCharset)) { continue; } String encodeText = new String(btArr,originCharset); printTable(curCharset, originCharset, encodeText); } printSeparator(); } } private static void printSeparator() { System.out.println("--------------------------------------------------------"); } private static void printTable(String curCharset, String originCharset, String encodeText) { System.out.print(curCharset); for (int i = 0; i < 15 - curCharset.length(); i++) { System.out.print(" "); } System.out.print("| " + originCharset); for (int i = 0; i < 16 - originCharset.length(); i++) { System.out.print(" "); } System.out.println("| " + encodeText); } public static void main(String[] args) throws UnsupportedEncodingException { //测试乱码 testAllCharset("浣犲ソ"); } }

  执行结果如下:

假设当前编码 假设原始编码 编码后的内容 -------------------------------------------------------- UTF-8 | GB18030 | 忙碌聥猫炉聲 UTF-8 | GB2312 | 忙碌�猫炉� UTF-8 | GBK | 忙碌聥猫炉聲 UTF-8 | Windows-1252 | 测试 UTF-8 | ISO8859-1 | æµÂ诠-------------------------------------------------------- GB18030 | UTF-8 | �0�3�0�8�0�1���0�4�0�1 GB18030 | GB2312 | �0�3�0�8�0�1è�0�4�0�1 GB18030 | GBK | �0�3�0�8�0�1è�0�4�0�1 GB18030 | Windows-1252 | �0Š3�0…8�0‚1¨¨�0…4�0ƒ1 GB18030 | ISO8859-1 | 030801¨¨0401 -------------------------------------------------------- GB2312 | UTF-8 | ???��?? GB2312 | GB18030 | ???è?? GB2312 | GBK | ???è?? GB2312 | Windows-1252 | ???¨¨?? GB2312 | ISO8859-1 | ???¨¨?? -------------------------------------------------------- GBK | UTF-8 | ???��?? GBK | GB18030 | ???è?? GBK | GB2312 | ???è?? GBK | Windows-1252 | ???¨¨?? GBK | ISO8859-1 | ???¨¨?? -------------------------------------------------------- Windows-1252 | UTF-8 | �?�? Windows-1252 | GB18030 | 娴?璇? Windows-1252 | GB2312 | 娴?璇? Windows-1252 | GBK | 娴?璇? Windows-1252 | ISO8859-1 | æµ?è¯? -------------------------------------------------------- ISO8859-1 | UTF-8 | 测试 ISO8859-1 | GB18030 | 娴嬭瘯 ISO8859-1 | GB2312 | 娴�璇� ISO8859-1 | GBK | 娴嬭瘯 ISO8859-1 | Windows-1252 | 测试 --------------------------------------------------------

  从执行结果可以看出,只有在  假设当前编码   为   ISO9959-1  ,假设原始编码  为   UTF-8   时,正确的恢复了乱码的中文文本。由此可以得出,该乱码最开始使用 UTF-8 编码,之后错误的使用了  ISO8859-1  字符集进行解码,并按照错误解码得到的二进制进行存储、传输(实际上大多数的中文乱码场景都是这样)。

  需要注意的是,这个乱码恢复代码仅适用于  被错误解码一次  的情况,如果有多次被错误解码,那么恢复起来就需要尝试更多可能的字符集组合。另外,如果乱码后的文本中出现  ??  这样的情况,则有可能无法恢复,因为乱码之前的信息已经丢失了,例如使用UTF-8编码,然后使用GB18030解码,因为UTF-8的编码范围远大于GB18030的编码范围,所以解码的时候,一些在GB18030字符集中找不到的编码就会丢失掉了。

  另外,推荐一个乱码恢复的网站,http://www.mytju.com/classcode/tools/messycoderecover.asp  可以对乱码进行一定的恢复,原理跟我上面说的一样(实际使用中发现有时乱码无法恢复,但是使用上面的程序就可以)。

 

  正确的恢复了乱码的中文,找到了最开始的编码方式和错误解码时的编码方式,那该如何在程序中解决这个问题呢?

  一般情况下,在错误解码的地方设置使用正确的编码字符集就可以解决问题。所以避免中文乱码的原则就是使用统一的字符集,所有的地方都统一使用某个字符集。

  如果没法设置字符集,或者设置了正确的字符集但没有生效而又找不到解决方案的情况下,可以手动的对乱码文本进行转码(不推荐这种方式)。

  例如,在上面测试的程序中,最原始的编码是UTF-8,错误解码使用的是ISO8859-1,那么可以用下面的方式进行转码恢复:

String newStr = new String(luanma.getBytes("ISO8859-1"),"UTF-8");

  

  以上就是对处理这次中文乱码问题的一个小总结,希望能对别人有所帮助!

the end

免责声明:本文内容均来自互联网,但不代表简明教程的观点和立场.

已有 2978 次赞