JAVA中文比较问题的分析和解决是怎样的

这篇文章将为大家详细讲解有关JAVA中文比较问题的分析和解决是怎样的，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。

　Java的中文问题由来已久，前不久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。（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;

  }

关于JAVA中文比较问题的分析和解决是怎样的就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。