Java字符集

guoln

1. 概述 本文次要包括以下几个方面：编码基本知识，java，系统软件，url，工具软件等。 在 下面的描绘中，将以"中文"两个字为例，经查表可以晓得其GB2312编码是"d6d0 cec4"，Unicode编码为"4e2d 6587"， UTF编码就是"e4b8ad e69687"。留意，这两个字没有iso8859-1编码，但可以用iso8859-1编码来"表示"。 2. 编码基本知识 最早的编码是iso8859-1，和ascii编码相似。但为了方便表示各种各样的语言，逐渐出现了很多规范编码，重要的有如下几个。 2.1. iso8859-1 属于单字节编码，最多能表示的字符范围是0-255，使用于英文系列。比如，字母'a'的编码为0x61=97。 很 分明，iso8859-1编码表示的字符范围很窄，无法表示中文字符。但是，由于是单字节编码，和计算机最基础的表示单位一致，所以很多时候，仍旧使用 iso8859-1编码来表示。而且在很多协议上，默认使用该编码。比如，虽然"中文"两个字不存在iso8859-1编码，以gb2312编码为例，应 该是"d6d0 cec4"两个字符，使用iso8859-1编码的时候则将它拆开为4个字节来表示："d6 d0 ce c4"（事实上，在停止存储的 时候，也是以字节为单位处理的）。而如果是UTF编码，则是6个字节"e4 b8 ad e6 96 87"。很分明，这种表示方法还需求以另一种编码为 基础。 2.2. GB2312/GBK 这就是汉子的国标码，专门用来表示汉字，是双字节编码，而英文字母和iso8859-1一致（兼容iso8859-1编码）。其中gbk编码可以用来同时表示繁体字和简体字，而gb2312只能表示简体字，gbk是兼容gb2312编码的。 2.3. unicode 这 是最统一的编码，可以用来表示所有语言的字符，而且是定长双字节（也有四字节的）编码，包括英文字母在内。所以可以说它是不兼容iso8859-1编码 的，也不兼容任何编码。不过，相对于iso8859-1编码来说，uniocode编码只是在前面添加了一个0字节，比如字母'a'为"00 61"。 需求说明的是，定长编码便于计算机处理（留意GB2312/GBK不是定长编码），而unicode又可以用来表示所有字符，所以在很多软件内部是使用unicode编码来处理的，比如java。 2.4. UTF 考 虑到unicode编码不兼容iso8859-1编码，而且容易占用更多的空间：由于对于英文字母，unicode也需求两个字节来表示。所以 unicode不便于传输和存储。因而而发生了utf编码，utf编码兼容iso8859-1编码，同时也可以用来表示所有语言的字符，不过，utf编码 是不定长编码，每一个字符的长度从1-6个字节不等。另外，utf编码自带简单的校验功能。普通来讲，英文字母都是用一个字节表示，而汉字使用三个字节。 留意，虽然说utf是为了使用更少的空间而使用的，但那只是相对于unicode编码来说，如果已经晓得是汉字，则使用 GB2312/GBK无疑是最节省的。不过另一方面，值得说明的是，虽然utf编码对汉字使用3个字节，但即便对于汉字网页，utf编码也会比 unicode编码节省，由于网页中包含了很多的英文字符。 3. java对字符的处理 在java使用软件中，会有多处涉及到字符集编码，有些中央需求停止正确的设置，有些中央需求停止一定程度的处理。 3.1. getBytes(charset) 这 是java字符串处理的一个规范函数，其作用是将字符串所表示的字符依照charset编码，并以字节方式表示。留意字符串在java内存中总是按 unicode编码存储的。比如"中文"，正常状况下（即没有错误的时候）存储为"4e2d 6587"，如果charset为"gbk"，则被编码为 "d6d0 cec4"，然后前往字节"d6 d0 ce c4"。如果charset为"utf8"则最初是"e4 b8 ad e6 96 87"。 如果是"iso8859-1"，则由于无法编码，最初前往 "3f 3f"（两个问号）。 3.2. new String(charset) 这 是java字符串处理的另一个规范函数，和上一个函数的作用相反，将字节数组依照charset编码停止组合识别，最初转换为unicode存储。参考上 述getBytes的例子，"gbk" 和"utf8"都可以得出正确的后果"4e2d 6587"，但iso8859-1最初变成了 "003f 003f"（两个问号）。 由于utf8可以用来表示/编码所有字符，所以new String( str.getBytes( "utf8" ), "utf8" ) === str，即完全可逆。 3.3. setCharacterEncoding() 该函数用来设置http央求或者相应的编码。 对 于request，是指提交内容的编码，指定后可以经过getParameter()则直接取得正确的字符串，如果不指定，则默认使用iso8859-1 编码，需求进一步处理。参见下述"表单输出"。值得留意的是在执行setCharacterEncoding()之前，不能执行任何 getParameter()。java doc上说明： This method must be called prior to reading request parameters or reading input using getReader ()。而且，该指定只对POST方法有效，对GET方法有效。分析缘由，应该是在执行第一个getParameter()的时候，java将会依照编码分 析所有的提交内容，而后续的getParameter()不再停止分析，所以setCharacterEncoding()有效。而对于GET方法提交表 单是，提交的内容在URL中，一末尾就已经依照编码分析所有的提交内容，setCharacterEncoding()自然就有效。 对于response，则是指定输出内容的编码，同时，该设置会传递给浏览器，告诉浏览器输出内容所采用的编码。 3.4. 处理过程 下面分析两个有代表性的例子，说明java对编码有关问题的处理方法。 3.4.1. 表单输出 User input * (gbk:d6d0 cec4) browser *(gbk:d6d0 cec4) web server iso8859-1(00d6 00d 000ce 00c4) class，需求在class中停止处理：getbytes("iso8859-1")为d6 d0 ce c4，new String ("gbk")为d6d0 cec4，内存中以unicode编码则为4e2d 6587。 l 用户输出的编码方式和页面指定的编码有关，也和用户的操作系统有关，所以是不确定的，上例以gbk为例。 l 从browser到web server，可以在表单中指定提交内容时使用的字符集，否则会使用页面指定的编码。而如果在url中直接用?的方式输出参数，则其编码往往是操作系统本身的编码，由于这时和页面有关。上述仍旧以gbk编码为例。 l Web server 接收到的是字节流，默认时（getParameter）会以iso8859-1编码处理之，后果是不正确的，所以需求停止处理。但如果预先设置了编码（通 过request. setCharacterEncoding ()），则可以直接获取到正确的后果。 l 在页面中指定编码是个好习惯，否则能够得到控制，无法指定正确的编码。 3.4.2. 文件编译 假定文件是gbk编码保存的，而编译有两种编码选择：gbk或者iso8859-1，前者是中文windows的默认编码，后者是linux的默认编码，当然也可以在编译时指定编码。 Jsp * (gbk:d6d0 cec4) java file *(gbk:d6d0 cec4) compiler read uincode(gbk: 4e2d 6587; iso8859-1: 00d6 00d 000ce 00c4) compiler write utf(gbk: e4b8ad e69687; iso8859-1: *) compiled file unicode(gbk: 4e2d 6587; iso8859-1: 00d6 00d 000ce 00c4) class。所以用gbk编码保存，而用iso8859-1编译的后果是不正确的。 class unicode(4e2d 6587) system.out / jsp.out gbk(d6d0 cec4) os console / browser。 l 文件可以以多种编码方式保存，中文windows下，默认为ansi/gbk。 l 编译器读取文件时，需求得到文件的编码，如果未指定，则使用系统默认编码。普通class文件，是以系统默认编码保存的，所以编译不会出问题，但对于 jsp文件，如果在中文windows下编辑保存，而部署在英文linux下运行/编译，则会出现问题。所以需求在jsp文件中用 pageEncoding指定编码。 l Java编译的时候会转换成统一的unicode编码处理，最初保存的时候再转换为utf编码。 l 当系统输出字符的时候，会按指定编码输出，对于中文windows下，System.out将使用gbk编码，而对于response（浏览器），则使用 jsp文件头指定的contentType，或者可以直接为response指定编码。同时，会告诉browser网页的编码。如果未指定，则会使用 iso8859-1编码。对于中文，应该为browser指定输出字符串的编码。 l browser显示网页的时候，首先使用response中指定的编码（jsp文件头指定的contentType最终也反映在response上），如果未指定，则会使用网页中meta项指定中的contentType。 3.5. 几处设置 对于web使用顺序，和编码有关的设置或者函数如下。 3.5.1. jsp编译 指定文件的存储编码，很分明，该设置应该置于文件的扫尾。例如：%@page pageEncoding="GBK"%。另外，对于普通class文件，可以在编译的时候指定编码。 3.5.2. jsp输出 指 定文件输出到browser是使用的编码，该设置也应该置于文件的扫尾。例如：%@ page contentType="text/html; charset= GBK" %。该设置和response.setCharacterEncoding("GBK")等效。 3.5.3. meta设置 指 定网页使用的编码，该设置对静态网页尤其有作用。由于静态网页无法采用jsp的设置，而且也无法执行 response.setCharacterEncoding()。例如：META http-equiv="Content- Type" content="text/html; charset=GBK" / 如果同时采用了jsp输出和meta设置两种编码指定方式，则jsp指定的优先。由于jsp指定的直接体如今response中。 需求留意的是，apache有一个设置可以给无编码指定的网页指定编码，该指定同等于jsp的编码指定方式，所以会掩盖静态网页中的meta指定。所以有人建议关闭该设置。 3.5.4. form设置 当浏览器提交表单的时候，可以指定相应的编码。例如：form accept-charset= "gb2312"。普通不用不使用该设置，浏览器会直接使用网页的编码。 4. 系统软件 下面讨论几个相关的系统软件。 4.1. mysql数据库 很分明，要支持多语言，应该将数据库的编码设置成utf或者unicode，而utf更适合与存储。但是，如果中文数据中包含的英文字母很少，其实unicode更为适合。 数 据库的编码可以经过mysql的配置文件设置，例如default-character-set=utf8。还可以在数据库链接URL中设置，例如： useUnicode=truecharacterEncoding=UTF-8。留意这两者应该坚持一致，在新的sql版本里，在数据库链 接URL里可以不停止设置，但也不能是错误的设置。 4.2. apache appache和编码有关的配置在httpd.conf中，例如AddDefaultCharset UTF-8。如前所述，该功能会将所有静态页面的编码设置为UTF-8，最好关闭该功能。 另外，apache还有独自的模块来处理网页响应头，其中也能够对编码停止设置。 4.3. linux默认编码 这里所说的linux默认编码，是指运行时的环境变量。两个重要的环境变量是LC_ALL和LANG，默认编码会影响到java URLEncode的行为，下面有描绘。 建议都设置为"zh_CN.UTF-8"。 4.4. 其它 为了支持中文文件名，linux在加载磁盘时应该指定字符集，例如：mount /dev/hda5 /mnt/hda5/ -t ntfs -o iocharset=gb2312。 另 外，如前所述，使用GET方法提交的信息不支持request.setCharacterEncoding()，但可以经过tomcat的配置文件指定字 符集，在tomcat的server.xml文件中，形如：Connector ... URIEncoding="GBK"/。这种方 法将统一设置所有央求，而不能针对具体页面停止设置，也不一定和browser使用的编码相反，所以有时候并不是所希冀的。 5. URL地址 URL地址中含有中文字符是很费事的，前面描绘过使用GET方法提交表单的状况，使用GET方法时，参数就是包含在URL中。 5.1. URL编码 对于URL中的一些特殊字符，浏览器会自动停止编码。这些字符除了"/?"等外，还包括unicode字符，比如汉子。这时的编码比较特殊。 IE 有一个选项"总是使用UTF-8发送URL"，当该选项有效时，IE将会对特殊字符停止UTF-8编码，同时停止URL编码。如果改选项有效，则使用默认 编码"GBK"，并且不停止URL编码。但是，对于URL后面的参数，则总是不停止编码，相当于UTF-8选项有效。比如"中文.html?a=中文"， 当UTF-8选项有效时，将发送链接"%e4%b8%ad%e6%96%87.html?a=\x4e\x2d\x65\x87"；而UTF-8选项有效 时，将发送链接"\x4e\x2d\x65\x87.html?a=\x4e\x2d\x65\x87"。留意后者前面的"中文"两个字只有4个字节，而 前者却有18个字节，这次要时URL编码的缘由。 当web server（tomcat）接收到该链接时，将会停止URL解码，即去掉 "%"，同时依照ISO8859-1编码（下面已经描绘，可以使用URLEncoding来设置成其它编码）识别。上述例子的后果分别是"\ue4\ ub8\uad\ue6\u96\u87.html?a=\u4e\u2d\u65\u87"和"\u4e\u2d\u65\u87.html?a=\ u4e\u2d\u65\u87"，留意前者前面的"中文"两个字恢复成了6个字符。这里用"\u"，表示是unicode。 所以，由于客户端设置的不同，相反的链接，在服务器上得到了不同后果。这个问题不少人都遇到，却没有很好的解决办法。所以有的网站会建议用户尝试关闭UTF-8选项。不过，下面会描绘一个更好的处理办法。 5.2. rewrite 熟 悉的人都晓得，apache有一个功能弱小的rewrite模块，这里不描绘其功能。需求说明的是该模块会自动将URL解码（去除%），即完成上述 web server（tomcat）的部分功能。有相关文档介绍说可以使用[NE]参数来关闭该功能，但我实验并未成功，能够是由于版本（我使用的是 apache 2.0.54）问题。另外，当参数中含有"? "等符号的时候，该功能将导致系统得不到正常后果。 rewrite本身似乎完全是采用字节处理的方式，而不思索字符串的编码，所以不会带来编码问题。 5.3. URLEncode.encode() 这是Java本身提供对的URL编码函数，完成的任务和上述UTF-8选项有效时浏览器所做的任务相似。歌瑞尔值得说明的是，java已经不赞成不指定编码来使用该方法（deprecated）。应该在使用的时候添加编码指定。 当 不指定编码的时候，该方法使用系统默认编码，这会导致软件运行后果得不确定。比如对于"中文"，当系统默认编码为"gb2312"时，后果是"%4e% 2d%65%87"，而默认编码为"UTF-8"，后果却是"%e4%b8%ad%e6%96%87"，后续顺序将难以处理。另外，这儿说的系统默认编码 是由运行tomcat时的环境变量LC_ALL和LANG等决定的，曾经出现过tomcat重启后就出现乱码的问题，最初才郁闷的发现是由于修改修改了这 两个环境变量。 建议统一指定为"UTF-8"编码，能够需求修改相应的顺序。 5.4. 一个解决方案 下面说起过，由于浏览器设置的不同，对于同一个链接，web server收到的是不同内容，而软件系统有无法晓得这中间的区别，所以这一协议目前还存在缺陷。 针对具体问题，不应该侥幸认为所有客户的IE设置都是UTF-8有效的，也不应该粗犷的建议用户修改IE设置，要晓得，用户不能够去记住每一个web server的设置。所以，接下来的解决办法就只能是让自己的顺序多一点智能：根据内容来分析编码是否UTF-8。 比较幸运的是UTF-8编码相当有规律，所以可以经过分析传输过去的链接内容，来判别是否是正确的UTF-8字符，如果是，则以UTF-8处理之，如果不是，则使用客户默认编码（比如"GBK"），下面是一个判别是否UTF-8的例子，如果你了解相应规律，就容易了解。 public static boolean isValidUtf8(byte[] b,int aMaxCount){ int lLen=b.length,lCharCount=0; for(int i=0;ilLen lCharCountaMaxCount;++lCharCount){ byte lByte=b[i++];//to fast operation, ++ now, ready for the following for(;;) if(lByte=0) continue;//=0 is normal ascii if(lByte(byte)0xc0 || lByte(byte)0xfd) return false; int lCount=lByte(byte)0xfc?5:lByte(byte)0xf8?4 :lByte(byte)0xf0?3:lByte(byte)0xe0?2:1; if(i+lCountlLen) return false; for(int j=0;jlCount;++j,++i) if(b=(byte)0xc0) return false; } return true; } 相应地，一个使用上述方法的例子如下： public static String getUrlParam(String aStr,String aDefaultCharset) throws UnsupportedEncodingException{ if(aStr==null) return null; byte[] lBytes=aStr.getBytes("ISO-8859-1"); return new String(lBytes,StringUtil.isValidUtf8(lBytes)?"utf8":aDefaultCharset); } 不过，该方法也存在缺陷，如下两方面： l 没有包括对用户默认编码的识别，这可以根据央求信息的语言来判别，但不一定正确，由于我们有时候也会输出一些韩文，或者其他文字。 l 能够会错误判别UTF-8字符，一个例子是"学习"两个字，其GBK编码是" \xd1\xa7\xcf\xb0"，如果使用上述isValidUtf8方法判别，将前往true。可以思索使用更严厉的判别方法，不过估计效果不大。 有 一个例子可以证明google也遇到了上述问题，而且也采用了和上述相似的处理方法，比如，如果在地址栏中输出"http: //google/search?hl=zh-CNnewwindow=1q=学习"，google将无法正确识 别，而其他汉字普通可以正知识别。 最初，应该补充说明一下，如果不使用rewrite规则，或者经过表单提交数据，其实并不一定会遇到上述问题，由于这时可以在提交数据时指定希望的编码。另外，中文文件名的确会带来问题，应该慎重使用。 6. 其它 下面描绘一些和编码有关的其他问题。 6.1. SecureCRT 除了浏览器和控制台与编码有关外，一些客户端也很有关系。比如在使用SecureCRT衔接linux时，应该让SecureCRT的显示编码（不同的session，可以有不同的编码设置）和linux的编码环境变量坚持一致。否则看到的一些协助信息，就能够是乱码。 另外，mysql有自己的编码设置，也应该坚持和SecureCRT的显示编码一致。否则经过SecureCRT执行sql语句的时候，能够无法处理中文字符，查询后果也会出现乱码。 对 于Utf-8文件，很多编辑器（比如记事本）会在文件扫尾添加三个不可见的标志字节，如果作为mysql的输出文件，则必须要去掉这三个字符。（用 linux的vi保存可以去掉这三个字符）。一个幽默的景象是，在中文windows下，创立一个新txt文件，用记事本翻开，输出"连通"两个字，保 存，再翻开，你会发现两个字没了，只留下一个小黑点。 6.2. 过滤器 如果需求统一设置编码，则经过filter进 行设置是个不错的选择。在filter class中，可以统一为需求的央求或者回应设置编码。参加上述setCharacterEncoding()。 这个类apache已经给出了可以直接使用的例子SetCharacterEncodingFilter。 6.3. POST和GET 很分明，以POST提交信息时，URL有更好的可读性，而且可以方便的使用setCharacterEncoding()来处理字符集问题。但GET方法形成的URL可以更容易表达网页的实际内容，也可以用于收藏。 从 统一的角度思索问题，建议采用GET方法，这要求在顺序中取得参数是停止特殊处理，而无法使用setCharacterEncoding()的便利，如果 不思索rewrite，就不存在IE的UTF-8问题，可以思索经过设置URIEncoding来方便获取URL中的参数。 6.4. 简繁体编码转换 GBK 同时包含简体和繁体编码，也就是说同一个字，由于编码不同，在GBK编码上司于两个字。有时候，为了正确取得完整的后果，应该将繁体和简体停止统一。可以 思索将UTF、GBK中的所有繁体字，转换为相应的简体字，BIG5编码的数据，也应该转化成相应的简体字。当然，仍旧以UTF编码存储。 例如，对于"语言 ?言"，用UTF表示为"\xE8\xAF\xAD\xE8\xA8\x80 \xE8\xAA\x9E\xE8\xA8\x80"，停止简繁体编码转换后应该是两个相反的 "\xE8\xAF\xAD\xE8\xA8\x80"。 本文来自CSDN博客，转载请标明出处：blog.csdn/DL88250/archive/2007/07/02/1675732.aspx