CSDN博客

img yousp

JAVA中文比较问题的分析和解决

发表于2003/1/7 15:51:00  924人阅读

JAVA中文比较问题的分析解决

游晶(yousp@yeah.net

 

 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

 

 

 

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JDKcompareTo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

25105

[50:46]

[-5046]

29233

[80:82]

[-8082]

21271

[79:79]

[-7979]

20140

[66:87]

[-6687]

22825

[52:20]

[-5220]

23433

[80:78]

[-8078]

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GBK

private 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

       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。

0 0

相关博文

我的热门文章

img
取 消
img