Java 中文編碼陷阱：String.getBytes() 跨平台亂碼根因與最佳實踐

一行代碼引發的跨平台災難

byte[] bytes = str.getBytes(); —— 這看似無害的代碼，是無數 Java 專案在從 Windows 遷移到 Linux、從國內環境部署到海外服務器時出現亂碼、數據長度不一致的元兇。本文深入剖析 getBytes() 的平台相關性本質，演示實際差異，並給出生產級編碼處理規範。

現象還原：同樣的字符串，長度卻不同

String s = "Hello!你好！";
byte[] bytes = s.getBytes();
System.out.println(bytes.length);

根本原因：String.getBytes() 無參重載使用 Charset.defaultCharset()，而默認字符集由 file.encoding 系統屬性決定，隨操作系統、區域設置、JVM 啟動參數變化。

Java 內存中的真相：統一的 Unicode

無論平台如何，Java 字符串在內存中始終以 UTF-16 (Unicode) 存儲：

char c = '你'; // Unicode: \u4F60
int codePoint = c; // 20320 (0x4F60)

編譯時 javac -encoding GBK 只影響源文件讀取，.class 文件中字符串常量池仍存儲 Unicode。編碼轉換發生在 字符串 → 字節數組 的獲取過程中。

正確姿勢：顯式指定字符集

推薦寫法

// 寫死 UTF-8，跨平台一致，支持全字符集
byte[] bytes = str.getBytes(StandardCharsets.UTF_8); // Java 7+
// 或
byte[] bytes = str.getBytes("UTF-8"); // 兼容舊版本，需捕獲 UnsupportedEncodingException

對比演示

String s = "Hello!你好！";
byte[] isoBytes = s.getBytes("ISO-8859-1"); // [72,101,108,108,111,33,63,63,63] 中文變 63(?)
byte[] gbkBytes = s.getBytes("GBK");        // [72,101,108,108,111,33,-60,-29,-70,-61,-93,-95]
byte[] utf8Bytes = s.getBytes("UTF-8");     // [72,101,108,108,111,33,-28,-67,-96,-27,-128,-113,-28,-67,-96,-27,-128,-113]

• ISO-8859-1：單字節，無法表示中文，強制替換為 0x3F (?)，數據不可逆損壞
• GBK：雙字節中文，兼容 ASCII，但非中文環境可能不支持
• UTF-8：首選，變長編碼，ASCII 兼容，支持所有 Unicode 字符，跨平台一致

反向還原：字節數組 → 字符串

String restored = new String(bytes, StandardCharsets.UTF_8); // 必須與編碼時一致

鐵律：編碼與解碼必須使用完全相同的字符集，否則產生亂碼。

生產環境檢查清單

1. 禁用無參 getBytes()/new String(bytes)：代碼審查時標記為錯誤
2. 統一使用 UTF-8：數據庫連接 URL、HTTP Header、文件讀寫、日誌輸出
3. JVM 啟動參數固化：-Dfile.encoding=UTF-8 -Dsun.jnu.encoding=UTF-8
4. 屬性文件編碼：.properties 文件需為 UTF-8，或使用 ResourceBundle 配合 Control 自定義編碼
5. 數據庫層面：表/列字符集設為 utf8mb4，連接串含 characterEncoding=utf8

進階：處理 legacy 非 UTF-8 數據源

// 讀取 GBK 編碼的舊文件
String content = Files.readString(Paths.get("legacy.txt"), StandardCharsets.ISO_8859_1); // 先按單字節讀取
byte[] gbkBytes = content.getBytes(StandardCharsets.ISO_8859_1); // 還原原始字節
String correct = new String(gbkBytes, "GBK"); // 按真實編碼解碼

總結

String.getBytes() 的平台相關性是 Java 跨平台承諾中的「例外」。永遠顯式指定字符集，統一採用 UTF-8，是消除編碼亂碼的唯一正解。將編碼處理視為系統邊界的契約，而非內部實現細節，才能構建真正可移植的 Java 應用。