Java中文问题详解 我来说一下tomcat如何实现JSP的你就明白了。 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　　　　　--{ 　　　　　-- System.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　　　　　--{ 　　　　　-- System.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----System.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"?"　---- 　--2.　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首先看一下你的叶面中有没有" 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： 你好 必读好文,但解决方案不敢恭维 发言者：小熊 时 间：2000/10/17 17:21:31 来 自：www.javaunion.org -------------------------------------------------------------------------------- 1.网页传参数不提倡用get方法,而且用户可以调整是否用utf-8发送 2.建议jsp中最好不要用,实际上加不加这句都有实现中文正常显示的方案,我认为不加方便些,至少不用写这些代码,如下的配置我认为可以使中文正常显示: a.所有的javabean用iso8859-1编译 b.jsp文件中不要写以上charset=gb2312的语句(写了反而错) 在tomcat情况下注意以上2点就行---了,等等,对于其他有可能不行的jsp服务器,加上以下 c.服务器上的操作系统语言设为英文(像没有装类似bluepoint中文系统的linux一般本来就是英文) 就行---了 谁要是还不对,请报告.... Re：必读好文,但解决方案不敢恭维 发言者：congling 时 间：2000/10/17 21:06:23 来 自：www.javaunion.org -------------------------------------------------------------------------------- Tomcat的参数问题无论是GET或是POST方式都是用8859_1编码的。这个可以看Tomcat Servlet实现的源代码: a) 对于POST方法 　javax.servlet.http.HttpUtils的parsePostData方法： (对于POST的Form数据) 　String postedBody = new String(postedBytes, 0, len, "8859_1");)这里是没有问题的因为中文都会用%来说明。但是parseName这个函数，却没有把是中文的东西整合起来，他只是简单的拼凑，因此可以认定他是使用8859_1的编码规则 　 sb.append((char) Integer.parseInt(s.substring(i+1, i+3), 16)); ----　　i += 2; -- b) 对于GET方法 　org.apache.tomcat.service.http.HttpRequestAdapter 　　　--　line=new String(buf, 0, count, 　　　　　　 Constants.CharacterEncoding.Default); ----Constants.CharacterEncoding.Default=8859_1 　这段代码不好跟踪，千万不要被一些假象迷惑住。HttpRequestAdapter是从RequestImpl中派生的。但是，实际上用8080端口的Server并没有直接用到RequestImpl，而是用了HttpRequestAdapter来获得queryString 对于加不加encoding，我保留我的意见，因为如果要解决上传文件分页问题，必须要用他来编码。而且编码能保证在一些Beans当中的传递性。 看来我要在这里说明一下了 发言者：小熊 时 间：1970/01/01 07:59:59 来 自：www.javaunion.org -------------------------------------------------------------------------------- Tomcat仅仅是一个对jsp1.1,servlet2.2的一个标准的实现,我们不应该要求这个免费软件在细致末节上和性能上都面面俱到,它主要考虑的英文用户,这也是为什么不作特殊转换我们的汉字用url方法传递有问题的原因,我们大部分浏览器ie其高级设置中始终以utf-8发送url的选项缺省是选上的,如果说这是tomcat的bug也是可以的,另外Tomcat不管当前的操作系统是什么语言,好像都按iso8859去编译jsp,我觉得也有点欠妥,但是不管怎么说,新标准的实现和热门的软件在语言的支持方面永远都是先考虑英文 我的方案什么说要好一些呢 1.还是那句话,英文国家的软件永远都是先考虑英文,java虚拟机的规范中要求虚拟机内部必须实现iso8859,unicode,UTF-8三种,其他的不作要求,我们用的jdk中的虚拟机就是这样,嵌入式的就更不用说了,也就是说其他的ENCODE都很可能不是java虚拟机内部直接支持的,我们的中文自然也不在其列,需要外部的包支持转换,sun jdk应该在i18n.jar中,用iso8859速度最快,不需要其它调用和交换什么的,更没有读包的io操作 2.至少少写了代码,没有额外操作,简洁的风格谁不喜欢 3.所写的jsp页面国际性化好,我才写了一个jsp+javabeans的聊天室软件(没有用到servlet,jsp真的确实很好),同样的程序美国人用他们的浏览器进入就是英文界面,中文进入就是中文界面,如果加上charset=gb2312至少很麻烦 4.限定了gb2312,如果用户要用GBK,怎么办,不加更好,不管什么的字符集,只要我当前浏览器设定的是,我就能显示出来 总结:无论从速度上,开发效率上,和可扩展性上考虑,我的方案都比你的好,另外,我找不到你的方案比我的好的地方 中华技术网整理发布 http://www.asfocus.com