网页功能: 加入收藏 设为首页 网站搜索  
Java中文问题详解,底层编码解剖
发表日期:2004-10-29作者:[转贴] 出处:  

预备知识:

1.字节和unicode
Java内核是unicode的,就连class文件也是,但是很多媒体,包括文件/流的保存方式是使用字节流的。 因此Java要对这些字节流经行转化。char是unicode的,而byte是字节.Java中byte/char互转的函数在sun.io的包中间有。其中ByteToCharConverter类是中调度,可以用来告诉你,你用的Convertor。其中两个很常用的静态函数是。

 


 public static ByteToCharConverter getDefault() ;
public static ByteToCharConverter getConverter(String encoding);

如果你不指定converter,则系统会自动使用当前的Encoding,GB平台上用GBK,EN平台上用8859_1

我们来就一个简单的例子:
"你"的gb码是:0xC4E3 ,unicode是0x4F60
你用:

 encoding="gb2312";
byte b[]={(byte)'\u00c4',(byte)'\u00E3'};
convertor=ByteToCharConverter.getConverter(encoding);
char [] c=converter.convertAll(b);
for(int i=0;i<c.length;c++)
{
***.out.println(Integer.toHexString(c[i]));
}

打印出来是0x4F60
但是如果使用8859_1的编码,打印出来是
0x00C4,0x00E3
例1
反过来:

 encoding="gb2312";
char c[]={'\u4F60'};
convertor=ByteToCharConverter.getConverter(encoding);
byte [] b=converter.convertAll(c);
for(int i=0;i<b.length;c++)
{
***.out.println(Integer.toHexString(b[i]));
}

打印出来是:0xC4,0xE3
例2
如果用8859_1就是0x3F,?号,表示无法转化
很多中文问题就是从这两个最简单的类派生出来的。而却有很多类不直接支持把Encoding输入,这给我们带来诸多不便。很多程序难得用encoding了,直接用default的encoding,这就给我们移植带来了很多困难

2.UTF-8
UTF-8是和Unicode一一对应的,其实现很简单

7位的Unicode: 0 _ _ _ _ _ _ _
11位的Unicode: 1 1 0 _ _ _ _ _ 1 0 _ _ _ _ _ _
16位的Unicode: 1 1 1 0 _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _
21位的Unicode: 1 1 1 1 0 _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _
大多数情况是只使用到16位以下的Unicode:
你"的gb码是:0xC4E3 ,unicode是0x4F60
我们还是用上面的例子
例1:0xC4E3的二进制:
1 1 0 0 0 1 0 0 1 1 1 0 0 0 1 1
由于只有两位我们按照两位的编码来排,但是我们发现这行不通,
因为第7位不是0因此,返回"?"

例2:0x4F60的二进制:
0 1 0 0 1 1 1 1 0 1 1 0 0 0 0 0
我们用UTF-8补齐,变成:
11100100 10111101 10100000
E4--BD-- A0
于是返回0xE4,0xBD,0xA0

3.String和byte[]
String其实核心是char[],然而要把byte转化成String,必须经过编码。
String.length()其实就是char数组的长度,如果使用不同的编码,很可能会错分,造成散字和乱码。
例:

 byte [] b={(byte)'\u00c4',(byte)'\u00e3'};
String str=new String(b,encoding);

如果encoding=8859_1,会有两个字,但是encoding=gb2312只有一个字
这个问题在处理分页是经常发生

4.Reader,Writer/InputStream,OutputStream
Reader和Writer核心是char,InputStream和OutputStream核心是byte。
但是Reader和Writer的主要目的是要把Char读/写InputStream/OutputStream
一个reader的例子:
文件test.txt只有一个"你"字,0xC4,0xE3


 String encoding=;
InputStreamReader reader=new InputStreamReader(
new FileInputStream("text.txt"),encoding);
char []c=new char[10];
int length=reader.read(c);
for(int i=0;i<c.length;i++)
***.out.println(c[i]);

如果encoding是gb2312,则只有一个字符,如果encoding=8859_1,则有两个字符

2.我们要对Java的编译器有所了解:
javac -encoding
我们常常没有用到ENCODING这个参数。其实Encoding这个参数对于跨平台的操作是很重要的。如果没有指定Encoding,则按照系统的默认Encoding,gb平台上是gb2312,英文平台上是ISO8859_1。
Java的编译器实际上是调用sun.tools.javac.Main的类,对文件进行编译,这个类有compile函数中间有一个encoding的变量,-encoding的参数其实直接传给encoding变量。编译器就是根据这个变量来读取java文件的,然后把用UTF-8形式编译成class文件。
一个例子:


 public void test()
{
String str="你";
FileWriter write=new FileWriter("test.txt");
write.write(str);
write.close();
}

例3
如果用gb2312编译,你会找到E4 BD A0的字段

如果用8859_1编译,
00C4 00E3的二进制:
00000000 11000100 00000000 11100011--
因为每个字符都大于7位,因此用11位编码:
11000001 10000100 11000011 10100011
C1-- 84--C3-- A3
你会找到C1 84 C3 A3 --

但是我们往往忽略掉这个参数,因此这样往往会有跨平台的问题:
例3在中文平台上编译,生成ZhClass
例3在英文平台上编译,输出EnClass
1.ZhClass在中文平台上执行OK,但是在英文平台上不行
2.EnClass在英文平台上执行OK,但是在中文平台上不行

原因:
1.在中文平台上编译后,其实str在运行态的char[]是0x4F60,在中文平台上运行,FileWriter的缺省编码是gb2312,因此CharToByteConverter会自动用调用gb2312的converter,把str转化成byte输入到FileOutputStream中,于是0xC4,0xE3放进了文件。但是如果是在英文平台下,CharToByteConverter的缺省值是8859_1,FileWriter会自动调用8859_1去转化str,但是他无法解释,因此他会输出"?".

在英文平台上编译后,其实str在运行态的char[]是0x00C4 0x00E3,--在中文平台上运行,中文无法识别,因此会出现??
在英文平台上,0x00C4-->0xC4,0x00E3->0xE3,因此0xC4,0xE3被放进了文件

1.对于JSP正文的解释:
Tomcat首先看一下你的页面中有没有"<%@page include的符号。有,则在相同地方设定response.setContentType(..);按照encoding的来读,没有他按照8859_1读取文件,然后用UTF-8写成.java文件,然后用sun.tools.Main去读取这个文件,(当然它使用UTF-8去读),然后编译成class文件setContentType改变的是out的属性,out变量缺省的encoding是8859_1

2.对Parameter的解释
很不幸Parameter只有ISO8859_1的解释,这个质料可以在servlet的实现代码中找到。

3.对include的解释
格式的,但是很不幸,由于那个写"org.apache.jasper.compiler.Parser"的人
在数组JspUtil.ValidAttribute[]忘记加了一个参数:encoding,因此导致不支
持这种方式。你完全可以编译源代码,加上对encoding的支持

总结:

如果你在NT底下,最简单的方法就是欺骗java,不加任何Encoding变量:

 <html>
你好<%=request.getParameter("value")%>
</html>
http://localhost/test/test.jsp?value=你
 


结果:你好你

但这种方法局限性较大,比如对上传的文章分段,这样的做法是死定的,最好的
解决方案是用这种方案:


 <%@ page contentType="text/html;charset=gb2312" %>
<html>
你好<%=new String(request.getParameter("value").getBytes("8859_1"),"gb2312")%>
</html>

 

 

 

我来说两句】 【加入收藏】 【返加顶部】 【打印本页】 【关闭窗口
中搜索 Java中文问题详解,底层编码解剖
本类热点文章
  Java读取文件中含有中文的解决办法
  简单加密/解密方法包装, 含encode(),de..
  EJB 3.0规范全新体验
  让Java程序带着JRE一起上路
  java简单的获取windows系统网卡mac地址
  抢先体验"野马"J2SE6.0
  Java连接各种数据库的实例
  JAVA的XML编程实例解析
  Java学习从入门到精通(附FAQ)
  新手必读:Java学习的捷径
  构架Linux环境下Java开发环境
  Java编程思想(24)
最新分类信息我要发布 
最新招聘信息

关于我们 / 合作推广 / 给我留言 / 版权举报 / 意见建议 / 广告投放  
Copyright ©2003-2019 Lihuasoft.net webmaster(at)lihuasoft.net
网站编程QQ群   京ICP备05001064号 页面生成时间:0.01359