跟你一起分析JAVA中文比较问题的解决

　　Java的中文问题由来已久，前不久笔者需要做内存中的中文比较排序，对字符串进行GBK或者GB2312编码以后，使用String.compareTo方法仍然不能得到正确结果。因此，怀着怀疑的态度，对JDK中String类的源代码做了一翻探究。（作者使用JDK为1.3.1版本）
　　
　　以下是String.java中compareTo的源代码，请注意其中的注释：
　　
　　public class String
　　{
　　…
　　public int compareTo(String anotherString) {
　　int len1 = count;
　　int len2 = anotherString.count;
　　//n为两个字符串长度的最小者
　　int n = Math.min(len1, len2);
　　//获取字符数组
　　char v1［］ = value;
　　char v2［］ = anotherString.value;
　　//取偏依位置
　　/** The offset is the first index of the storage that is used. */
　　//offset 是第一个存储索引
　　int i = offset;
　　int j = anotherString.offset;
　　//如果i == j
　　//这里可能是判断取同一内存中两个字符串的情景。。。
　　// A　 <--　 <----
　　// B　　s1　　　|
　　// C　 <--　　　|
　　// D　　　　　　s2
　　// E　　　　　　|
　　// F　　　　　　|
　　// G　 <----------
　　// 可能这种情况 i = j
　　if (i == j) {
　　int k = i;
　　int lim = n + i;
　　
　　while (k < lim)
　　{
　　char c1 = v1［k］;
　　char c2 = v2［k］;
　　if (c1 != c2) file://直到找到一个不相等的字符，返回c1 - c2
　　return c1 - c2;
　　k++;
　　}
　　} else {
　　while (n-- != 0)
　　file://直到两个字符串长度记数为0
　　{
　　char c1 = v1［i++］; file://分别取字符
　　char c2 = v2［j++］;
　　if (c1 != c2) {
　　//发现不相等，立即返回c1 - c2;
　　return c1 - c2;
　　}
　　}
　　}
　　return len1 - len2;
　　//最后这里可能出现的情况是: 两个字符串比较完之后还没有得到结果。相等的情况
　　}
　　…
　　}//end of class String　c2) file://直到找到一个不相等的字符，返回c1 - c2　　　　　　　　　　　　　　return c1 - c2;　　　　　　　　　　 k++;　　　　　 }　　　 } else {　　　　　 while (n-- != 0) file://直到两个字符串长度记数为0　　　　　　　{　　　　　　　　　　 char c1 = v1［i++］; file://分别取字符　　　　　　　　　　 char c2 = v2［j++］;　　　　　　　　　　　if (c1 != c2) {　//发现不相等，立即返回c1 - c2;　　　　　　　　　　　　　　return c1 - c2;　　　　　　　　　　 }　　　　　 }　　　 }　　　 return len1 - len2; //最后这里可能出现的情况是: 两个字符串比较完之后还没有得到结果。相等的情况　　}…}//end of class String
　　
　　为什么Java在做汉字的CompareTo时比较会有问题呢？通过对compareTo源代码的分析发现，关键在于JDK的compareTo实现是直接使用Char来进行比较的：
　　
　　char c1 = v1［k］;
　　
　　char c2 = v2［k］;
　　
　　可是当Java使用GB2312编码时，一个对汉字所获取到的Char值却是不规则的，即一个汉字在Java中作为一个char来处理（双字节字符）时，将这样的双字节字符进行强制转换成int类型时，所得到的不是包含了汉字编码顺序的中文内码。可以看一下一组测试数据可以看到其中奥妙：
　　
　　字符
　　Char值
　　Byte[]值
　　按Byte[]合成的值
　　
　　我
　　25105
　　[50:46]
　　[-5046]
　　
　　爱
　　29233
　　[80:82]
　　[-8082]
　　
　　北
　　21271
　　[79:79]
　　[-7979]
　　
　　京
　　20140
　　[66:87]
　　[-6687]
　　
　　天
　　22825
　　[52:20]
　　[-5220]
　　
　　安
　　23433
　　[80:78]
　　[-8078]
　　
　　门
　　38376
　　[61:59]
　　[-6159]
　　
　　A
　　65
　　[-65]
　　[65]
　　
　　B
　　66
　　[-66]
　　[66]
　　
　　C
　　67
　　[-67]
　　[67]
　　
　　D
　　68
　　[-68]
　　[68]
　　
　　按照中文顺序：“我”字应该在“爱”字后面，因此理论上来讲"我"字的Char值应该比“爱"字的char值要大。可是不知道为什么Java的汉字char(两个byte)->int类型的转换会发生很大偏差。而失去了汉字原本在ＧＢＫ规范当中，按内码排列好的顺序。但从一个汉字拆分成2个字节的byte[]时，所得到的值并没有打乱GBK编码规定的顺序，因此得到解决问题的思路：将String进行GB2312编码后取得某个汉字获取其Char值时，将汉字拆分成2个字节byte[]再进行计算，从而得到正确的内码。
　　
　　因此我自己写了下面这样几个函数，基本上解决了汉字比较的问题：
　　
　　函数包括三个，你可以随意放置到任何类当中作为辅助函数使用(Private Helper)。
　　
　　n public int compare(String s1, String s2) ：主要工作是为比较做一些前期的编码工作可以说是系统的一个外壳。
　　
　　n public int chineseCompareTo(String s1, String s2)：该函数则是中文字符串比较主体，其内部实现了比较的最基本逻辑，和JDK的compareTo所使用的逻辑是一样的。调用接口也一样。
　　
　　n public static int getCharCode(String s)：该函数则负责将一个以字符串形式存在的字符转换成为int编码，儿不损失其位置信息。注意输入通常是：“我”或者“A”，如果输入更长的字符串，则改函数获得的是第一个字符的值。
　　
　　private static String __ENCODE__ = "GBK"; file://一定要是GBKprivate static String __SERVER_ENCODE__ = "GB2312"; file://服务器上的缺省编码/*比较两字符串*/　　　 public int compare(String s1, String s2)　　　 {　　　　　　　String m_s1 = null, m_s2 = null;　　　　　　　try　　　　　　　{　　　　　　　　　　 //先将两字符串编码成GBK　　　　　　　　　　 m_s1 = new String ( s1.getBytes(__SERVER_ENCODE__), __ENCODE__);　　　　　　　　　　 m_s2 = new String ( s2.getBytes(__SERVER_ENCODE__), __ENCODE__);　　　　　　　}　　　　　　　catch( Exception ex)　　　　　　　{　　　　　　　　　　 return s1.compareTo(s2);　　　　　　　}　　　　　　　int res = chineseCompareTo(m_s1, m_s2);　　　　　　　 System.out.println("比较：" + s1 + " | " + s2 + "==== Result: " + res);　　　　　　　return res;　　　 } //获取一个汉字/字母的Char值　　　 public static int getCharCode(String s)　　　 {　　　　　　　if (s==null && s.equals(“”)) return -1; file://保护代码byte [] b = s.getBytes();　　　　　　　int value = 0;　　　　　　　//保证取第一个字符（汉字或者英文）　　　　　　　for (int i = 0; i < b.length && i <= 2; i ++)　　　　　　　{　　　　　　　　　　 value = value * 100 + b［i］;　　　　　　　}　　　　　　　return value;　　　 } //比较两个字符串　　　 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;　　　 }
　　
　　可见，对系统源代码的解剖，能让我们在迷惑之余同样有机会窥探系统内部运作的奥妙。不过让人非常费解的是，Java内部的某些类书写风格非常不好，同时存在一些Bug。不过这也许是笔者个人感受。偶有所获，愿与大家共同分享，其中疏漏之处望不吝赐教。
　　

查看本文来源