什么是 UTF-8？

UTF-8（8-bit Unicode Transformation Format）是一种针对 Unicode 的可变长度字符编码,它具有以下特点：

1. 兼容 ASCII：UTF-8 完全兼容 ASCII 编码，对于英文字符（0-127），UTF-8 的编码方式与 ASCII 完全相同，每个字符占 1 个字节，这使得旧的 ASCII 系统可以无缝处理 UTF-8 文本。
2. 可变长度：UTF-8 使用 1 到 4 个字节来表示一个 Unicode 字符。
   • 1 个字节：表示 U+0000 到 U+007F 的字符（基本 ASCII）。
   • 2 个字节：表示 U+0080 到 U+07FF 的字符（包括大部分欧洲语言的字母）。
   • 3 个字节：表示 U+0800 到 U+FFFF 的字符（包括中文、日文、韩文等常用 CJK 字符，以及大部分 Emoji）。
   • 4 个字节：表示 U+10000 到 U+10FFFF 的字符（生僻汉字、历史文字、部分 Emoji 等）。
3. 无 BOM：UTF-8 通常不需要字节顺序标记，虽然可以有一个 BOM（\uFEFF）来标识文件是 UTF-8 编码，但这在 Java 等现代语言中不推荐,因为它可能会在某些工具中引起问题。

为什么在 Java 中必须使用 UTF-8？

Java 语言内部使用 UTF-16 编码来表示字符串（String 类型）,这意味着：

• 当你在 Java 代码中写一个字符串字面量，如 String str = "你好";，JVM 会将这些字符内部存储为 UTF-16 编码。
• 当你的 Java 代码源文件（.java）被编译时，Javac 编译器需要读取这些源文件，如果源文件是 UTF-8 编码的，编译器必须正确地将其解码为内部的 UTF-16 字符串。
• 当你的程序需要与外部世界交互时（读取文件、网络数据、控制台输入输出），就必须将内部的 UTF-16 字符串转换为外部编码（通常是 UTF-8），或者将外部编码的数据解码为内部的 UTF-16 字符串。

如果不统一使用 UTF-8，就会导致“乱码”（Garbled Characters），一个用 GBK 编码保存的中文文件，如果用默认的 ISO-8859-1 编码去读,就会出现看不懂的乱码。

在 Java 中如何确保使用 UTF-8？

你需要从以下几个方面进行设置和编码：

源代码文件（.java）编码

这是最基本的一步，确保你的所有 .java 源文件都保存为 UTF-8 编码。

• IDE (如 IntelliJ IDEA / Eclipse) 设置：

  • IntelliJ IDEA: File -> Settings -> Editor -> File Encodings，将 Global Encoding、Project Encoding 和 Default encoding for properties files 都设置为 UTF-8。
  • Eclipse: Window -> Preferences -> General -> Workspace，将 Text file encoding 设置为 UTF-8，在 Preferences -> General -> Content Types 中，确保 Java Source File 的编码也设置为 UTF-8。

• 构建工具 (如 Maven / Gradle)：

  • Maven: 在 pom.xml 中，<project> 标签下添加或修改以下配置，这会强制 Maven 使用 UTF-8 来编译源码和读取资源文件。

    <properties>
      <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
      <project.reporting.outputEncoding>UTF-8</project.reporting.outputEncoding>
    </properties>

  • Gradle: 在 build.gradle 文件中添加以下代码：

    tasks.withType(JavaCompile) {
      options.encoding = 'UTF-8'
    }
    tasks.withType(Test) {
      systemProperty 'file.encoding', 'UTF-8'
    }

运行时环境（JVM 参数）

如果你需要处理来自控制台或文件的输入输出，并且系统默认编码不是 UTF-8（Windows 的默认编码是 GBK），你需要显式告诉 JVM 使用 UTF-8。

• 启动时添加 JVM 参数：

  java -Dfile.encoding=UTF-8 -jar your_app.jar

  • -Dfile.encoding=UTF-8 这个参数会设置 JVM 的默认文件编码，这对于 System.in, System.out, System.err 以及许多不指定字符集的 InputStreamReader/OutputStreamWriter 构造函数非常有效。

  注意：虽然这个参数很方便，但它并不总是万能的，最佳实践是在所有 I/O 操作中显式指定字符集。

I/O 操作中的显式指定字符集

这是最关键、最可靠的方法，无论环境如何，只要在读写时明确指定使用 StandardCharsets.UTF_8,就能保证编码正确。

文件读写

错误示范（依赖系统默认编码）：

// 这种写法在不同系统上可能表现不同
try (BufferedReader reader = new BufferedReader(new FileReader("data.txt"))) {
    // ...
}
try (BufferedWriter writer = new BufferedWriter(new FileWriter("output.txt"))) {
    // ...
}

正确示范（显式指定 UTF-8）：

import java.io.*;
import java.nio.charset.StandardCharsets;
// --- 读取文件 ---
try (BufferedReader reader = new BufferedReader(
        new InputStreamReader(new FileInputStream("data.txt"), StandardCharsets.UTF_8))) {
    String line;
    while ((line = reader.readLine()) != null) {
        System.out.println(line); // System.out 的编码也需要注意
    }
} catch (IOException e) {
    e.printStackTrace();
}
// --- 写入文件 ---
try (BufferedWriter writer = new BufferedWriter(
        new OutputStreamWriter(new FileOutputStream("output.txt"), StandardCharsets.UTF_8))) {
    writer.write("你好，世界！");
    writer.newLine();
    writer.write("Hello, World!");
} catch (IOException e) {
    e.printStackTrace();
}

控制台输入输出

• System.out 和 System.err： 它们的编码受到 JVM 启动时 -Dfile.encoding 参数的影响，如果未设置，它会使用操作系统的默认编码，为了确保正确输出,可以包装它们：

  // 包装 System.out 以确保 UTF-8 输出
  PrintSystemOut = new PrintStream(System.out, true, StandardCharsets.UTF_8);
  System.setOut(printSystemOut);
  // 之后所有的 System.out.println 都会使用 UTF-8
  System.out.println("这是中文输出");

• Scanner 读取控制台输入： Scanner 默认使用系统的默认编码，为了读取 UTF-8 输入,需要指定：

  import java.util.Scanner;
  import java.nio.charset.StandardCharsets;
  // 使用 System.in 的 UTF-8 包装版本
  Scanner scanner = new Scanner(System.in, StandardCharsets.UTF_8.name());
  System.out.print("请输入一些文字: ");
  String userInput = scanner.nextLine();
  System.out.println("你输入的是: " + userInput);
  scanner.close();

网络通信

在网络编程中，HTTP 协议通常使用 Content-Type 头部来指定内容的字符集。

• 客户端发送请求：确保请求体（如果包含文本）是 UTF-8 编码。
• 服务器端处理请求：从 Content-Type 头部读取字符集，并使用它来解码请求体，如果没有指定，则默认使用 ISO-8859-1（这是 HTTP/1.1 的规范），但这几乎肯定不是你想要的，现代框架（如 Spring Boot）通常会默认使用 UTF-8。

核心思想：“明确优于隐式”，永远不要依赖系统的默认编码，在你的 Java 项目中，从源码到 I/O，全程强制使用 UTF-8，并始终在需要编码/解码的地方显式地指定 StandardCharsets.UTF_8,这样可以最大程度地避免乱码问题。