通过JNI将双字节（WCHAR）字符串从C ++传递到Java

Question

我有一个通过JNI使用C ++ DLL的Java应用程序。 一些DLL的方法接受字符串参数，其中一些返回包含字符串的对象。

目前DLL不支持Unicode，因此字符串处理相当容易：

• Java调用String.getBytes（）并将结果数组传递给DLL，它只是将数据视为char *。
• DLL使用NewStringUTF（）从const char *创建一个jstring。

我现在正在修改DLL以支持Unicode，切换到使用TCHAR类型（当定义UNICODE时使用Windows的WCHAR数据类型）。 修改DLL进展顺利，但我不知道如何修改代码的JNI部分。

我现在唯一能想到的是：

• Java调用String.getBytes（String charsetName）并将结果数组传递给DLL，DLL将数据视为wchar_t *。
• DLL不再创建字符串，而是使用原始字符串数据传递jbyteArrays。 Java使用String（byte [] bytes，String charsetName）构造函数来实际创建String。

这种方法的唯一问题是我不确定要使用什么字符集名称。 WCHAR是2个字节长，所以我很确定它是UTF-16，但是在java方面有3个可能性。 UTF-16，UTF-16BE和UTF-16LE。 我没有找到任何文档告诉我字节顺序是什么，但我可以从一些快速测试中找出它。

有没有更好的办法？ 如果可能的话，我想继续在DLL中构造jstring对象，因为这样我就不必修改那些方法的任何用法。 但是，NewString JNI方法不采用字符集标识符。

Answer 1

这个答案表明WCHARS的字节顺序不能得到保证......

由于您使用的是Windows，因此可以尝试使用WideCharToMultiByte将WCHAR转换为UTF-8，然后使用现有的JNI代码。

由于lpMultiByteStr参数可能存在缓冲区溢出，因此您需要小心使用WideCharToMultiByte 。 为了解决这个问题，你应该调用该函数两次，首先将lpMultiByteStr设置为NULL并将cbMultiByte设置为零 - 这将返回所需的lpMultiByteStr缓冲区的长度而不尝试写入它。 获得长度后，您可以分配所需大小的缓冲区并再次调用该函数。

示例代码：

int utf8_length;

wchar_t* utf16 = ...;

utf8_length = WideCharToMultiByte(
  CP_UTF8,           // Convert to UTF-8
  0,                 // No special character conversions required 
                     // (UTF-16 and UTF-8 support the same characters)
  utf16,             // UTF-16 string to convert
  -1,                // utf16 is NULL terminated (if not, use length)
  NULL,              // Determining correct output buffer size
  0,                 // Determining correct output buffer size
  NULL,              // Must be NULL for CP_UTF8
  NULL);             // Must be NULL for CP_UTF8

if (utf8_length == 0) {
  // Error - call GetLastError for details
}

char* utf8 = ...; // Allocate space for UTF-8 string

utf8_length = WideCharToMultiByte(
  CP_UTF8,           // Convert to UTF-8
  0,                 // No special character conversions required 
                     // (UTF-16 and UTF-8 support the same characters)
  utf16,             // UTF-16 string to convert
  -1,                // utf16 is NULL terminated (if not, use length)
  utf8,              // UTF-8 output buffer
  utf8_length,       // UTF-8 output buffer size
  NULL,              // Must be NULL for CP_UTF8
  NULL);             // Must be NULL for CP_UTF8

if (utf8_length == 0) {
  // Error - call GetLastError for details
}

Answer 2

我发现了一个关于字节顺序标记的常见问题 。 同样来自FAQ：

UTF-16和UTF-32分别使用两个和四个字节长的代码单元。 对于这些UTF，有三种子风格：BE，LE和未标记。 BE形式使用大端字节序列化（最重要的字节优先），LE形式使用小端字节序列化（最低有效字节优先），未标记形式默认使用大端字节序列化，但可能包含字节顺序在开头标记以指示使用的实际字节序列化。

我假设在java方面，UTF-16将尝试找到此BOM并正确处理编码。 我们都知道假设有多危险......

由于评论而编辑：

微软使用UTF16小端。 Java UTF-16尝试解释BOM。 缺少BOM时，默认为UTF-16BE。 BE和LE变体忽略BOM。