Java中的linux八进制转义导致错误的字节值，编码问题？

Question

根据本文档（http://java.sun.com/docs/books/jls/third_edition/html/lexical.html，3.10.6），八进制字符将转换为unicode字符。现在我遇到了一个问题，下面的代码将导致一个包含错误信息的2字节Unicode字符

for (byte b : "\222".getBytes()) {
     System.out.format("%02x ", b);
}

结果是“c2 92”。我只表达了“92”，因为这是从222八进制到十六进制（92）的转换值。 如果我用一个字符来测试，字节信息是正确的

System.out.format("%02x ", (byte)'\222');

结果是“92”代表一个字节” 在使用Java/c 1.6.0_18的Linux上，我的默认编码是“UTF-8”

我问题的背景是，我正在寻找一种方法，将八进制转义字符串从输入编码Cp1252转换为UTF-8。由于将八进制转义字符串转换为2字节，此操作失败。 有人知道为什么总是有一个额外的字节“c2”被添加到字符数组中吗？一个简单的计数显示，数组中只有一个字符

System.out.println("\222".toCharArray().length); // will result in "1"

谢谢你的提示

更新： 正如BalusC提到的，八进制转义值被解释为UTF-8值，这就产生了问题。只要这个值保存在源代码（UTF-8）中，我就不可能用其他编码读取这个字符串。我说得对吗？如果我读取Cp1252编码的文件，我必须用正确的字符集声明InputReader的字符集，并对UTF-8进行编码，以处理读取的内容并将其保存为UTF-8

Answer 1

没有指定编码的^{}调用将使用平台默认编码将字符转换为字节。由于c2是multibyte UTF-8 sequence的两字节字符的典型第一个字节，所以显然使用UTF-8作为平台默认编码。如果想要获取CP1252字节，那么需要在^{}方法中显式指定

for (byte b : "\222".getBytes("cp1252")) {
     System.out.format("%02x ", b);
}

---

根据您的更新更新：

As long as this value is saved in the source code (UTF-8) I have no possibility to read in this string with an other encoding. I'm right?

没错。您需要使用与文件保存时相同的编码来读取文件，否则可能会以mojibake结束

If I read an Cp1252 encoded file, I have to declare the charset of the InputReader with the correct charset and do an encoding to UTF-8 to process and save the read content as UTF-8.

只需使用InputStreamReader将文件读取为CP1252即可。当读取为字符（字符串）时，Java会将其隐式存储为Unicode（UTF-16）。可以将数据视为Unicode。无需引入中间UTF-8文件步骤。如果要保存文件，请将OutputStreamWriter与所需的字符集一起使用，这可能与CP1252不同。请记住，任何字符集未包含的字符都将以?结尾

另请参见：

• Unicode - how to get characters right?