java - 为什么 String.getBytes() 在编译后的 jar 中表现不同？

Question

我有一个项目，它从以 latin1 编码的纯文本文件中读取数据，然后使用 UTF-8 编码将其发送到 MySQL 数据库。在早期版本的某些旧代码中，已使用 new String(String.getBytes("UTF-8")) 手动重新编码已从文件中正确读取的字符串。这在 Eclipse 中运行良好，但由于某种原因，在将其编译为可执行的 .jar 后，这导致字符串以 latin1 编码发送，尽管将 JDBC 显式定义为 UTF-8 编码。删除不必要的转换后，它在 IDE 和编译的 jar 中都可以正常工作。

我想知道是什么原因造成的。 jar 和 IDE 在同一系统上执行，除非 Eclipse 添加一些设置，否则我不知道 VM 设置是否相同。此行为在其他计算机上也以完全相同的方式可见。

Answer 1

有两个问题:

new String(String.getBytes("UTF-8"))

采用默认系统编码来创建新字符串。您应该始终显式指定新字符串的编码，例如

new String(String.getBytes("UTF-8"), "UTF-8")

很可能其他系统上的默认编码不同，导致字符集转换(例如从 UTF-8 到 Cp1252)。

仅当字符串读取不正确且目标字符集与源字符集不同时，您应用的转换才相关。例如:您最初读取一些字节为 Cp1252，但是您随后需要将其转换为另一个字符集(例如 Cp1250)。那么你会这样做:

new String(String.getBytes("Cp1252"), "Cp1250")

这会将字符串中的字符转换为 Cp1252 中的字节，然后获取这些字节并在 Cp1250 中解释它们。对于某些(但不是全部)字符，这将映射到相同的字符，但其他字符将被重新映射。

如果字符串已经按照您在问题中暗示的那样被正确读取，那么这样做是完全没有意义的。在内部，Java 中的字符串只是一个字符数组，仅当持久化为字节数据(或从字节数据读取)时才与编码相关。