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。
|
