Question

我正在尝试使用Java中的GB18030 cp对一些中文字符进行编码，然后我遇到了这个字符数，在Google翻译中转换为“数字”。

问题是，编码时会变成10个字节（！）：

81 30 81 34 81 30 83 31 ca fd

import java.math.BigInteger;
import java.nio.charset.Charset;
public class Test3
{
    public static void main(String[] args)
    {        
        String s = new String("数");
        System.out.println( "source file: "+String.format("%x ", 
                new BigInteger(1, s.getBytes(Charset.forName("GB18030"))) ));       
    }    
}

当我尝试使用GB18030解码时，会导致？中文数字字符旁边出现的字符（??数）。当我尝试仅解码“CA FD”时，从上面开始的最后两个字节，它正确地解码为该字符。

谷歌翻译笔记上面的字符是简体。我的源文件也以UTF8保存。

我认为GB18030每个字符最多有4个字节？这个角色有什么特别的表现吗？（我不是中国人，BTW）

Answer 1

最可能的事情是：

源文件的编码存在问题，或
你在数字之前有“隐形”字符。

您可以通过完全删除此行中的字符串文字来检查这两个字符：

String s = new String("数");

所以它看起来像这样（注意我删除了引号和字符）：

String s = new String();

然后添加回"\u6570"来获取此信息：

String s = new String("\u6570");

并查看输出是否发生变化（因为数字是Unicode代码点U+6570，因此转义序列应该是相同的字符）。如果它发生了变化，或者存在编码问题，或者在字符之前的字符串中有不可见的字符。您可以通过再添加该字符（通过从此页面复制和粘贴而不是之前的源代码）来区分这两种情况。如果问题再次出现，则是编码问题。如果没有，你有隐藏的角色。

汉字数字编码成太多字节

1 个答案: