游晶（yousp@yeah.net）
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。
