【转】中文乱码恢复

转载自：中文乱码恢复

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：

　　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！