跟你一起分析JAVA中文比較問題的解決

　　 
　　Java的中文問題由來已久，前不久筆者需要做內存中的中文比較排序，對字符串進行GBK或者GB2312編碼以后，使用String.compareTo方法仍然不能得到正確結果。因此，懷著懷疑的態度，對JDK中String類的源代碼做了一翻探究。（作者使用JDK為1.3.1版本）
　　

　　以下是String.java中compareTo的源代碼，請注意其中的注釋：
　　
　　public class String
　　{
　　…
　　public int compareTo(String anotherString) {
　　int len1 = count;
　　int len2 = anotherString.count;
　　//n為兩個字符串長度的最小者
　　int n = Math.min(len1, len2);
　　//獲取字符數組
　　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 是第一個存儲索引
　　int i = offset;
　　int j = anotherString.offset;
　　//如果i == j
　　//這里可能是判斷取同一內存中兩個字符串的情景。。。
　　// A　 <--　 <----
　　// B　　s1　　　|
　　// C　 <--　　　|
　　// D　　　　　　s2
　　// E　　　　　　|
　　// F　　　　　　|
　　// G　 <----------
　　// 可能這種情況 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://直到找到一個不相等的字符，返回c1 - c2
　　return c1 - c2;
　　k++;
　　}
　　} else {
　　while (n-- != 0)
　　file://直到兩個字符串長度記數為0
　　{
　　char c1 = v1［i++］; file://分別取字符
　　char c2 = v2［j++］;
　　if (c1 != c2) {
　　//發現不相等，立即返回c1 - c2;
　　return c1 - c2;
　　}
　　}
　　}
　　return len1 - len2;
　　//最后這里可能出現的情況是: 兩個字符串比較完之后還沒有得到結果。相等的情況
　　}
　　…
　　}//end of class String　c2) file://直到找到一個不相等的字符，返回c1 - c2　　　　　　　　　　　　　　return c1 - c2;　　　　　　　　　　 k++;　　　　　 }　　　 } else {　　　　　 while (n-- != 0) file://直到兩個字符串長度記數為0　　　　　　　{　　　　　　　　　　 char c1 = v1［i++］; file://分別取字符　　　　　　　　　　 char c2 = v2［j++］;　　　　　　　　　　　if (c1 != c2) {　//發現不相等，立即返回c1 - c2;　　　　　　　　　　　　　　return c1 - c2;　　　　　　　　　　 }　　　　　 }　　　 }　　　 return len1 - len2; //最后這里可能出現的情況是: 兩個字符串比較完之后還沒有得到結果。相等的情況　　}…}//end of class String
　　
　　為什么Java在做漢字的CompareTo時比較會有問題呢？通過對compareTo源代碼的分析發現，關鍵在于JDK的compareTo實現是直接使用Char來進行比較的：
　　
　　char c1 = v1［k］;
　　
　　char c2 = v2［k］;
　　
　　可是當Java使用GB2312編碼時，一個對漢字所獲取到的Char值卻是不規則的，即一個漢字在Java中作為一個char來處理（雙字節字符）時，將這樣的雙字節字符進行強制轉換成int類型時，所得到的不是包含了漢字編碼順序的中文內碼?？梢钥匆幌乱唤M測試數據可以看到其中奧妙：
　　
　　字符
　　Char值
　　Byte[]值
　　按Byte[]合成的值
　　
　　我
　　25105
　　[50:46]
　　[-5046]
　　
　　愛
　　29233
　　[80:82]
　　[-8082]
　　
　　北
　　21271
　　[79:79]
　　[-7979]
　　
　　京
　　20140
　　[66:87]
　　[-6687]
　　
　　天
　　22825
　　[52:20]
　　[-5220]
　　
　　安
　　23433
　　[80:78]
　　[-8078]
　　
　　門
　　38376
　　[61:59]
　　[-6159]
　　
　　A
　　65
　　[-65]
　　[65]
　　
　　B
　　66
　　[-66]
　　[66]
　　
　　C
　　67
　　[-67]
　　[67]
　　
　　D
　　68
　　[-68]
　　[68]
　　
　　按照中文順序：“我”字應該在“愛”字后面，因此理論上來講"我"字的Char值應該比“愛"字的char值要大?？墒遣恢罏槭裁碕ava的漢字char(兩個byte)->int類型的轉換會發生很大偏差。而失去了漢字原本在ＧＢＫ規范當中，按內碼排列好的順序。但從一個漢字拆分成2個字節的byte[]時，所得到的值并沒有打亂GBK編碼規定的順序，因此得到解決問題的思路：將String進行GB2312編碼后取得某個漢字獲取其Char值時，將漢字拆分成2個字節byte[]再進行計算，從而得到正確的內碼。
　　
　　因此我自己寫了下面這樣幾個函數，基本上解決了漢字比較的問題：
　　
　　函數包括三個，你可以隨意放置到任何類當中作為輔助函數使用(Private Helper)。
　　
　　n public int compare(String s1, String s2) ：主要工作是為比較做一些前期的編碼工作可以說是系統的一個外殼。
　　
　　n public int chineseCompareTo(String s1, String s2)：該函數則是中文字符串比較主體，其內部實現了比較的最基本邏輯，和JDK的compareTo所使用的邏輯是一樣的。調用接口也一樣。
　　
　　n public static int getCharCode(String s)：該函數則負責將一個以字符串形式存在的字符轉換成為int編碼，兒不損失其位置信息。注意輸入通常是：“我”或者“A”，如果輸入更長的字符串，則改函數獲得的是第一個字符的值。
　　
　　private static String __ENCODE__ = "GBK"; file://一定要是GBKprivate static String __SERVER_ENCODE__ = "GB2312"; file://服務器上的缺省編碼/*比較兩字符串*/　　　 public int compare(String s1, String s2)　　　 {　　　　　　　String m_s1 = null, m_s2 = null;　　　　　　　try　　　　　　　{　　　　　　　　　　 //先將兩字符串編碼成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("比較：" + s1 + " | " + s2 + "==== Result: " + res);　　　　　　　return res;　　　 } //獲取一個漢字/字母的Char值　　　 public static int getCharCode(String s)　　　 {　　　　　　　if (s==null && s.equals(“”)) return -1; file://保護代碼byte [] b = s.getBytes();　　　　　　　int value = 0;　　　　　　　//保證取第一個字符（漢字或者英文）　　　　　　　for (int i = 0; i < b.length && i <= 2; i ++)　　　　　　　{　　　　　　　　　　 value = value * 100 + b［i］;　　　　　　　}　　　　　　　return value;　　　 } //比較兩個字符串　　　 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;　　　 }
　　
　　可見，對系統源代碼的解剖，能讓我們在迷惑之余同樣有機會窺探系統內部運作的奧妙。不過讓人非常費解的是，Java內部的某些類書寫風格非常不好，同時存在一些Bug。不過這也許是筆者個人感受。偶有所獲，愿與大家共同分享，其中疏漏之處望不吝賜教。

原文轉自：http://www.anti-gravitydesign.com