炫浪网络社区

 找回密码
 注册
搜索
查看: 2644|回复: 6
打印 上一主题 下一主题

[〖Java 技术〗] JAVA及相关字符集编码问题研究

[复制链接]

该用户从未签到

跳转到指定楼层
楼主
发表于 2007-7-2 09:37 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式
关于JAVA学习者们,或多或少都会遇到这样的问题:编码基本知识,java,系统软件,url,工具软件等。
下面本文将针对以上几点问题进行描述讨论,我们就以“中文”两个字为例来说明,查找相关资料可知“中文”的GB2312编码是“d6d0 cec4”,为Unicode编码为"4e2d 6587",UTF编码就是"e4b8ad e69687"。(注意,“中文”这两个字没有iso8859-1编码,但可以用iso8859-1编码来"表示")。

一、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,逐渐出现了很多标准编码,重要的有如下几个:

1. iso8859-1

属于单字节编码,最多能表示的字符范围是0-255,应用于英文系列。比如,字母a的编码为0x61=97。

很明显,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,在进行存储的时候,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"。很明显,这种表示方法还需要以另一种编码为基础。

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编码能够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。

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编码只是在前面增加了一个0字节,比如字母a为"00 61"。

需要说明的是,定长编码便于计算机处理(注意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。

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:因为对于英文字母,unicode也需要两个字节来表示。所以unicode不便于传输和存储。因此而产生了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。一般来讲,英文字母都是用一个字节表示,而汉字使用三个字节。

注意,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,如果已经知道是汉字,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,但即使对于汉字网页,utf编码也会比unicode编码节省,因为网页中包含了很多的英文字符。
回复

使用道具 举报

该用户从未签到

沙发
 楼主| 发表于 2007-7-2 09:37 | 只看该作者

回复:JAVA及相关字符集编码问题研究

二、java对字符的处理


在编写java应用程序中,会有多处涉及到字符集编码,有些地方需要进行正确的设置,有些地方需要进行一定程度的处理。


1. getBytes(charset)


这是java字符串处理的一个标准函数,其作用是将字符串所表示的字符按照charset编码,并以字节方式表示。注意字符串在java内存中总是按unicode编码存储的。比如"中文",正常情况下(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",然后返回字节"d6 d0 ce c4"。如果charset为"utf8"则最后是"e4 b8 ad e6 96 87"。如果是"iso8859-1",则由于无法编码,最后返回 "3f 3f"(注: "3f 3f"是两个问号)。


2. new String(charset)


这是java字符串处理的另一个标准函数,和上一个函数的作用相反,将字节数组按照charset编码进行组合识别,最后转换为unicode存储。参考上述getBytes的例子,"gbk" 和"utf8"都可以得出正确的结果"4e2d 6587",但iso8859-1最后变成了"003f 003f"(两个问号)。


因为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. setCharacterEncoding()


该函数用来设置http请求或者相应的编码。


对于request,是指提交内容的编码,指定后可以通过getParameter()则直接获得正确的字符串,如果不指定,则默认使用iso8859-1编码,需要进一步处理。参见下述"表单输入"。值得注意的是在执行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方法无效。分析原因,应该是在执行第一个getParameter()的时候,java将会按照编码分析所有的提交内容,而后续的getParameter()不再进行分析,所以setCharacterEncoding()无效。而对于GET方法提交表单是,提交的内容在URL中,一开始就已经按照编码分析所有的提交内容,setCharacterEncoding()自然就无效。


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。


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。


4.1. 表单输入


User input *(gbk:d6d0 cec4) browser *(gbk:d6d0 cec4) web server iso8859-1(00d6 00d 000ce 00c4) class,需要在class中进行处理: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。


a. 用户输入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。


b. 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?的方式输入参 数,则其编码往往是操作系统本身的编码,因为这时和页面无关。上述仍旧以gbk编码为例。


c. Web server接收到的是字节流,默认时(getParameter)会以iso8859-1编码处理之,结果是不正确的,所以需要进行处理。但如果预先设 置了编码(通过request. setCharacterEncoding ()),则能够直接获取到正确的结果。


d. 在页面中指定编码是个好习惯,否则可能失去控制,无法指定正确的编码。


4.2. 文件编译


假设文件是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编译的结果是不正确的。


class unicode(4e2d 6587) system.out / jsp.out gbk(d6d0 cec4) os console / browser。


a. 文件可以用多种编码形式保存,在中文windows操作系统下,默认为ansi/gbk。


b. 编译器读取文件时,需要得到文件的编码,如果未指定,则使用系统默认编码。一般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。所以需要在jsp文件中用 pageEncoding指定编码。


c. Java编译的时候会转换成统一的unicode编码处理,最后保存的时候再转换为utf编码。


d. 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。


e. 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。
回复 支持 反对

使用道具 举报

该用户从未签到

3
 楼主| 发表于 2007-7-2 09:37 | 只看该作者

回复:JAVA及相关字符集编码问题研究

三、几处设置


对于web应用程序,和编码有关的设置或者函数如下。


1. jsp编译


指定文件的存储编码,很明显,该设置应该置于文件的开头。例如:。另外,对于一般class文件,可以在编译的时候指定编码。


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开头。例如:。该设置和response.setCharacterEncoding("GBK")等效。


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。因为静态网页无法采用jsp的设置,而且也无法执行response.setCharacterEncoding()。例如:


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。因为jsp指定的直接体现在response中。


需要注意的是,apache有一个设置可以给无编码指定的网页指定编码,该指定等同于jsp的编码指定方式,所以会覆盖静态网页中的meta指定。所以有人建议关闭该设置。


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:

。一般不必不使用该设置,浏览器会直接使用网页的编码。


四、系统软件


下面讨论几个相关的系统软件。


1. mysql数据库


很明显,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。


数据库的编码可以通过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=true&characterEncoding=UTF-8。注意这两者应该保持一致,在新的sql版本里,在数据库链接URL里可以不进行设置,但也不能是错误的设置。


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还有单独的模块来处理网页响应头,其中也可能对编码进行设置。


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,下面有描述。


建议都设置为"zh_CN.UTF-8"。


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(),但可以通过tomcat的配置文件指定字符集,在tomcat的server.xml文件中,形如:。这种方法将统一设置所有请求,而不能针对具体页面进行设置,也不一定和browser使用的编码相同,所以有时候并不是所期望的。
回复 支持 反对

使用道具 举报

该用户从未签到

4
 楼主| 发表于 2007-7-2 09:37 | 只看该作者

回复:JAVA及相关字符集编码问题研究

五、URL地址


URL地址中含有中文字符是很麻烦的,前面描述过使用GET方法提交表单的情况,使用GET方法时,参数就是包含在URL中。


1. URL编码


对于URL中的一些特殊字符,浏览器会自动进行编码。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将会对特殊字符进行UTF-8编码,同时进行URL编码。如果改选项无效,则使用默认编码"GBK",并且不进行URL编码。但是,对于URL后面的参数,则总是不进行编码,相当于UTF-8选项无效。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=x4ex2dx65x87";而UTF-8选项无效时,将发送链接"x4ex2dx65x87.html?a=x4ex2dx65x87"。注意后者前面的"中文"两个字只有4个字节,而前者却有18个字节,这主要时URL编码的原因。


当web server(tomcat)接收到该链接时,将会进行URL解码,即去掉"%",同时按照ISO8859-1编码(上面已经描述,可以使用URLEncoding来设置成其它编码)识别。上述例子的结果分别是"ue4ub8uadue6u96u87.html?a=u4eu2du65u87"和"u4eu2du65u87.html?a=u4eu2du65u87",注意前者前面的"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,相同的链接,在服务器上得到了不同结果。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,下面会描述一个更好的处理办法。


2. rewrite


熟悉的人都知道,apache有一个功能强大的rewrite模块,这里不描述其功能。需要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,但我试验并未成功,可能是因为版本(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结果。


rewrite本身似乎完全是采用字节处理的方式,而不考虑字符串的编码,所以不会带来编码问题。


3. URLEncode.encode()


这是Java本身提供对的URL编码函数,完成的工作和上述UTF-8选项有效时浏览器所做的工作相似。值得说明的是,java已经不赞成不指定编码来使用该方法(deprecated)。应该在使用的时候增加编码指定。


当不指定编码的时候,该方法使用系统默认编码,这会导致软件运行结果得不确定。比如对于"中文",当系统默认编码为"gb2312"时,结果是"%4e%2d%65%87",而默认编码为"UTF-8",结果却是"%e4%b8%ad%e6%96%87",后续程序将难以处理。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,最后才郁闷的发现是因为修改修改了这两个环境变量。


建议统一指定为"UTF-8"编码,可能需要修改相应的程序。


4. 一个解决方案


上面说起过,因为浏览器设置的不同,对于同一个链接,web server收到的是不同内容,而软件系统有无法知道这中间的区别,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,也不应该粗暴的建议用户修改IE设置,要知道,用户不可能去记住每一个web server的设置。所以,接下来的解决办法就只能是让自己的程序多一点智能: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,所以可以通过分析传输过来的链接内容,来判断是否是正确的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"),下面是一个判断是否UTF-8的例子,如果你了解相应规律,就容易理解。


public static boolean isValidUtf8(byte[] b,int aMaxCount){


int lLen=b.length,lCharCount=0;


for(int i=0;i

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+lCount>lLen) return false;


for(int j=0;j=(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,这可以根据请求信息的语言来判断,但不一定正确,因为我们有时候也会输入一些韩文,或者其他文字。


l 可能会错误判断UTF-8字符,一个例子是"学习"两个字,其GBK编码是" xd1xa7xcfxb0",如果使用上述isValidUtf8方法判断,将返回true。可以考虑使用更严格的判断方法,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,如果在地址栏中输入"http://www.google.com/search?hl=zh-CN&amp;newwindow=1&amp;q=学习",google将无法正确识别,而其他汉字一般能够正常识别。


最后,应该补充说明一下,如果不使用rewrite规则,或者通过表单提交数据,其实并不一定会遇到上述问题,因为这时可以在提交数据时指定希望的编码。另外,中文文件名确实会带来问题,应该谨慎使用。
回复 支持 反对

使用道具 举报

该用户从未签到

5
 楼主| 发表于 2007-7-2 09:38 | 只看该作者

回复:JAVA及相关字符集编码问题研究

六、其它


下面描述一些和编码有关的其他问题。


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连接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的编码环境变量保持一致。否则看到的一些帮助信息,就可能是乱码。


另外,mysql有自己的编码设置,也应该保持和SecureCRT的显示编码一致。否则通过SecureCRT执行sql语句的时候,可能无法处理中文字符,查询结果也会出现乱码。


对于Utf-8文件,很多编辑器(比如记事本)会在文件开头增加三个不可见的标志字节,如果作为mysql的输入文件,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)。一个有趣的现象是,在中文windows下,创建一个新txt文件,用记事本打开,输入"连通"两个字,保存,再打开,你会发现两个字没了,只留下一个小黑点。


2. 过滤器


如果需要统一设置编码,则通过filter进行设置是个不错的选择。在filter class中,可以统一为需要的请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。


3. POST和GET


很明显,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能够更容易表达网页的实际内容,也能够用于收藏。


从统一的角度考虑问题,建议采用GET方法,这要求在程序中获得参数是进行特殊处理,而无法使用setCharacterEncoding()的便利,如果不考虑rewrite,就不存在IE的UTF-8问题,可以考虑通过设置URIEncoding来方便获取URL中的参数。


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编码下属于两个字。有时候,为了正确取得完整的结果,应该将繁体和简体进行统一。可以考虑将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 語言",用UTF表示为"xE8xAFxADxE8xA8x80 xE8xAAx9ExE8xA8x80",进行简繁体编码转换后应该是两个相同的 "xE8xAFxADxE8xA8x80>"。
回复 支持 反对

使用道具 举报

该用户从未签到

6
发表于 2009-8-18 10:59 | 只看该作者

天天服饰(连锁)诚邀加盟


超低门槛 超低风险 超大利润空间
加盟条款
★强大后盾支持:天天服饰连锁凭借强大的生产能力和渠道优势,采用全国连锁直营,统一配送,统一品质,统一价格,统一服务的营销模式,制定了点对点垂直供货政策,省略中间流通环节,挤掉价格水分,总部供货源头直抵终端。
★零库存:天服饰连锁加盟全部总部供货,无条件退换货,保证零库存,卖掉的是自己赚到的,卖不掉的是公司的,零风险投入,大利润回报。
★第一次免费铺货:天天服饰连锁总部为加盟商第一次免费大量铺货,省去配货资金,为您起步奠定坚实的基础。
★保证30%利润回报:天天服饰连锁总部通过成熟的成功经验、优质的服务和技术支持,保证各加盟商月利润在30%以上,让您实实在在的看到回报。
选择了天天服饰,您就成功了一半,有了天天服饰总部的强大政策支持,你就成功了另一个半。
加入天天,成功就在眼前!


没有资金?没有货源?一样可以创业,天天服饰给你最低门槛,让你轻松加入创业者行列。
资金预算
投资加盟:加盟费5000-10000 天天服饰给投资者最低的加盟预算,让你不再感觉加盟是一件大成本的投资,让你用最低的投资,取得最高的收益。
投资店铺:根据实际情况店铺租金预算
投资装修:装修费用10000-20000
天天服饰统一装修风格,提供装修方案,用最简单的方式装修出最高档最大气的门面,低成本装修,高利润回报。
投资货源:货源投资0元
天天服饰在线客服:天天服饰客服一:客服二:售后客服:
QQ在线客服:       

全国免费热线:400-887-9550
天天服饰(连锁)官网网购 :www.wxttfs.cn
淘宝购物站:shop58034393.taobao.com

公司地址:江苏省无锡市人民中路123号摩天360大厦A1710室
回复 支持 反对

使用道具 举报

  • TA的每日心情
    忙碌
    2017-5-19 10:13
  • 签到天数: 1 天

    [LV.1]初来乍到

    7
    发表于 2017-5-17 09:58 | 只看该作者
    研究发现,[url]南京代孕bosssd.cn/经常打乱生物钟熬夜的女性,出现月经不调的几率是作息规律者的2倍,其痛经、情绪波动的情况也很多。而美国哈佛大学医学院和波士顿布莱根女子医院的专家称,经常上夜班的女性患肿瘤的比例是白班女性的1.5倍;而且上夜班次数越多,风险越大。
      女性长期熬夜或者失眠会改变身体原有的生物钟,南京代孕bosssd.cn从而引发机体生命节律发生紊乱。这种紊乱将导致一系列内分泌功能的失调,进而影响女性的排卵周期。一旦排卵周期被打乱,就可能出现月经不规律,随之会使孕激素分泌不平衡。而一些女性高发肿瘤,如子宫肌瘤、子宫内膜病变、乳腺病变等,都与雌、孕激素的分泌异常有着密切关系。
      因此,建议女性朋友尽量别熬,实在要熬,白天也要尽量把睡眠补回来,同时按需求来调节自身生物钟。如果身体适应了“黑白颠倒”的生活,[url]南京代孕bosssd.cn/白天的睡眠质量也可以保证,内分泌恢复正常,对身体的不良影响会相应减少。
    回复 支持 反对

    使用道具 举报

    快速回复 返回顶部 返回列表