Java的中文問題由來已久
前不久筆者需要做內存中的中文比較排序
對字符串進行GBK或者GB
編碼以後
使用pareTo方法仍然不能得到正確結果
因此
懷著懷疑的態度
對JDK中String類的源代碼做了一翻探究
（作者使用JDK為
版本）
以下是String
java中compareTo的源代碼
請注意其中的注釋
public class String
{
…
public int compareTo(String anotherString) {
int len
= count;
int len
= unt;
//n為兩個字符串長度的最小者
int n = Math
min(len
len
);
//獲取字符數組
char v
［］ = value;
char v
［］ = anotherString
value;
//取偏依位置
/** The offset is the first index of the storage that is used
*/
//offset 是第一個存儲索引
int i = offset;
int j = anotherString
offset;
//如果i == j
//這裡可能是判斷取同一內存中兩個字符串的情景
// A <
<
// B s
|
// C <
|
// D s
// E |
// F |
// G <
// 可能這種情況 i = j
if (i == j) {
int k = i;
int lim = n + i;
while (k < lim)
{
char c
= v
［k］;
char c
= v
［k］;
if (c
!= c
) file://直到找到一個不相等的字符
返回c
c
return c
c
;
k++;
}
} else {
while (n
!=
)
file://直到兩個字符串長度記數為
{
char c
= v
［i++］; file://分別取字符
char c
= v
［j++］;
if (c
!= c
) {
//發現不相等
立即返回c
c
;
return c
c
;
}
}
}
return len
len
;
//最後這裡可能出現的情況是: 兩個字符串比較完之後還沒有得到結果
相等的情況
}
…
}//end of class String c
) file://直到找到一個不相等的字符
返回c
c
return c
c
; k++; } } else { while (n
!=
) file://直到兩個字符串長度記數為
{ char c
= v
［i++］; file://分別取字符 char c
= v
［j++］; if (c
!= c
) { //發現不相等
立即返回c
c
; return c
c
; } } } return len
len
; //最後這裡可能出現的情況是: 兩個字符串比較完之後還沒有得到結果
相等的情況 }…}//end of class String
為什麼Java在做漢字的CompareTo時比較會有問題呢？通過對compareTo源代碼的分析發現
關鍵在於JDK的compareTo實現是直接使用Char來進行比較的
char c
= v
［k］;
char c
= v
［k］;
可是當Java使用GB
編碼時
一個對漢字所獲取到的Char值卻是不規則的
即一個漢字在Java中作為一個char來處理（雙字節字符）時
將這樣的雙字節字符進行強制轉換成int類型時
所得到的不是包含了漢字編碼順序的中文內碼
可以看一下一組測試數據可以看到其中奧妙
字符
Char值
Byte[]值
按Byte[]合成的值
我
[
:
]
[
]
愛
[
:
]
[
]
北
[
:
]
[
]
京
[
:
]
[
]
天
[
:
]
[
]
安
[
:
]
[
]
門
[
:
]
[
]
A
[
]
[
]
B
[
]
[
]
C
[
]
[
]
D
[
]
[
]
按照中文順序
我
字應該在
愛
字後面
因此理論上來講
我
字的Char值應該比
愛
字的char值要大
可是不知道為什麼Java的漢字char(兩個byte)
>int類型的轉換會發生很大偏差
而失去了漢字原本在ＧＢＫ規范當中
按內碼排列好的順序
但從一個漢字拆分成
個字節的byte[]時
所得到的值並沒有打亂GBK編碼規定的順序
因此得到解決問題的思路
將String進行GB
編碼後取得某個漢字獲取其Char值時
將漢字拆分成
個字節byte[]再進行計算
從而得到正確的內碼
因此我自己寫了下面這樣幾個函數
基本上解決了漢字比較的問題
函數包括三個
你可以隨意放置到任何類當中作為輔助函數使用(Private Helper)
n public int compare(String s
String s
)
主要工作是為比較做一些前期的編碼工作可以說是系統的一個外殼
n public int chineseCompareTo(String s
String s
)
該函數則是中文字符串比較主體
其內部實現了比較的最基本邏輯
和JDK的compareTo所使用的邏輯是一樣的
調用接口也一樣
n public static int getCharCode(String s)
該函數則負責將一個以字符串形式存在的字符轉換成為int編碼
兒不損失其位置信息
注意輸入通常是
我
或者
A
如果輸入更長的字符串
則改函數獲得的是第一個字符的值
private static String __ENCODE__ =
GBK
; file://一定要是GBKprivate static String __SERVER_ENCODE__ =
GB
; file://服務器上的缺省編碼/*比較兩字符串*/ public int compare(String s
String s
) { String m_s
= null
m_s
= null; try { //先將兩字符串編碼成GBK m_s
= new String ( s
getBytes(__SERVER_ENCODE__)
__ENCODE__); m_s
= new String ( s
getBytes(__SERVER_ENCODE__)
__ENCODE__); } catch( Exception ex) { return pareTo(s
); } int res = chineseCompareTo(m_s
m_s
); System
out
println(
比較
+ s
+
|
+ s
+
==== Result:
+ res); return res; } //獲取一個漢字/字母的Char值 public static int getCharCode(String s) { if (s==null && s
equals(
)) return
; file://保護代碼byte [] b = s
getBytes(); int value =
; //保證取第一個字符（漢字或者英文） for (int i =
; i < b
length && i <= 2; i ++) { value = value * 100 + b［i］; } return value; } //比較兩個字符串 public int chineseCompareTo(String s1, String s2) { int len1 = s1.length(); int len2 = s2.length(); int n = Math.min(len1, len2); for (int i = 0; i < n; i ++) { int s1_code = getCharCode(s1.charAt(i) + ""); int s2_code = getCharCode(s2.charAt(i) + ""); if (s1_code != s2_code) return s1_code - s2_code; } return len1 - len2; }
可見，對系統源代碼的解剖，能讓我們在迷惑之余同樣有機會窺探系統內部運作的奧妙。Tw.WinGWit.CoM不過讓人非常費解的是，Java內部的某些類書寫風格非常不好，同時存在一些Bug。不過這也許是筆者個人感受。偶有所獲，願與大家共同分享，其中疏漏之處望不吝賜教。
From:http://tw.wingwit.com/Article/program/Java/JSP/201311/19557.html
