| |
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 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gbkprivate 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。
|
|
