JAVA字符集

1. 概述  本文主要包括如下几个方面：编码基本知识，java，系统软件，url，工具软件等。  在下面的描述中，将以"中文"两个字为例，经查表能够知道其GB2312编码是"d6d0 cec4"，Unicode编码为"4e2d 6587"，UTF编码就是"e4b8ad e69687"。注意，这两个字没有iso8859-1编码，但能够用iso8859-1编码来"表示"。  2. 编码基本知识  最先的编码是iso8859-1，和ascii编码类似。但为了方便表示各类各样的语言，逐渐出现了不少标准编码，重要的有以下几个。  2.1. iso8859-1  属于单字节编码，最多能表示的字符范围是0-255，应用于英文系列。好比，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，没法表示中文字符。可是，因为是单字节编码，和计算机最基础的表示单位一致，因此不少时候，仍旧使用iso8859-1编码来表示。并且在不少协议上，默认使用该编码。好比，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）。而若是是UTF编码，则是6个字节"e4 b8 ad e6 96 87"。很明显，这种表示方法还须要以另外一种编码为基础。  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，能够用来表示全部语言的字符，并且是定长双字节（也有四字节的）编码，包括英文字母在内。因此能够说它是不兼容iso8859-1编码的，也不兼容任何编码。不过，相对于iso8859-1编码来讲，uniocode编码只是在前面增长了一个0字节，好比字母'a'为"00 61"。  须要说明的是，定长编码便于计算机处理（注意GB2312/GBK不是定长编码），而unicode又能够用来表示全部字符，因此在不少软件内部是使用unicode编码来处理的，好比java。  2.4. UTF  考虑到unicode编码不兼容iso8859-1编码，并且容易占用更多的空间：由于对于英文字母，unicode也须要两个字节来表示。因此unicode不便于传输和存储。所以而产生了utf编码，utf编码兼容iso8859-1编码，同时也能够用来表示全部语言的字符，不过，utf编码是不定长编码，每个字符的长度从1-6个字节不等。另外，utf编码自带简单的校验功能。通常来说，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编码来讲，若是已经知道是汉字，则使用GB2312/GBK无疑是最节省的。不过另外一方面，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，由于网页中包含了不少的英文字符。  3. java对字符的处理  在java应用软件中，会有多处涉及到字符集编码，有些地方须要进行正确的设置，有些地方须要进行必定程度的处理。  3.1. getBytes(charset)  这是java字符串处理的一个标准函数，其做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内存中老是按unicode编码存储的。好比"中文"，正常状况下（即没有错误的时候）存储为"4e2d 6587"，若是charset为"gbk"，则被编码为"d6d0 cec4"，而后返回字节"d6 d0 ce c4"。若是charset为"utf8"则最后是"e4 b8 ad e6 96 87"。若是是"iso8859-1"，则因为没法编码，最后返回 "3f 3f"（两个问号）。  3.2. new String(charset)  这是java字符串处理的另外一个标准函数，和上一个函数的做用相反，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"均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）。  由于utf8能够用来表示/编码全部字符，因此new String( str.getBytes( "utf8" ), "utf8" ) === str，即彻底可逆。  3.3. 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，指定后能够经过getParameter()则直接得到正确的字符串，若是不指定，则默认使用iso8859-1编码，须要进一步处理。参见下述"表单输入"。值得注意的是在执行setCharacterEncoding()以前，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()。并且，该指定只对POST方法有效，对GET方法无效。分析缘由，应该是在执行第一个getParameter()的时候，java将会按照编码分析全部的提交内容，然后续的getParameter()再也不进行分析，因此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全部的提交内容，setCharacterEncoding()天然就无效。  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。  3.4. 处理过程  下面分析两个有表明性的例子，说明java对编码有关问题的处理方法。  3.4.1. 表单输入  User input  *(gbk:d6d0 cec4)  browser  *(gbk:d6d0 cec4)  web server  iso8859-1(00d6 00d 000ce 00c4)  class，须要在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。  l 用户输入的编码方式和页面指定的编码有关，也和用户的操做系统有关，因此是不肯定的，上例以gbk为例。  l 从browser到web server，能够在表单中指定提交内容时使用的字符集，不然会使用页面指定的编码。而若是在url中直接用?的方式输入参数，则其编码每每是操做系统自己的编码，由于这时和页面无关。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，结果是不正确的，因此须要进行处理。但若是预先设置了编码（经过request. setCharacterEncoding ()），则可以直接获取到正确的结果。  l 在页面中指定编码是个好习惯，不然可能失去控制，没法指定正确的编码。  3.4.2. 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，固然也能够在编译时指定编码。  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。因此用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。  l 文件能够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，须要获得文件的编码，若是未指定，则使用系统默认编码。通常class文件，是以系统默认编码保存的，因此编译不会出问题，但对于jsp文件，若是在中文windows下编辑保存，而部署在英文linux下运行/编译，则会出现问题。因此须要在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，最后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，或者能够直接为response指定编码。同时，会告诉browser网页的编码。若是未指定，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），若是未指定，则会使用网页中meta项指定中的contentType。  3.5. 几处设置  对于web应用程序，和编码有关的设置或者函数以下。  3.5.1. 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：<%@page pageEncoding="GBK"%>。另外，对于通常class文件，能够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开头。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为有做用。由于静态网页没法采用jsp的设置，并且也没法执行response.setCharacterEncoding()。例如：<META http-equiv="Content-Type" content="text/html; charset=GBK" />  若是同时采用了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。  须要注意的是，apache有一个设置能够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，因此会覆盖静态网页中的meta指定。因此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，能够指定相应的编码。例如：<form accept-charset= "gb2312">。通常没必要不使用该设置，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。可是，若是中文数据中包含的英文字母不多，其实unicode更为适合。  数据库的编码能够经过mysql的配置文件设置，例如default-character-set=utf8。还能够在数据库连接URL中设置，例如： useUnicode=true&characterEncoding=UTF-8。注意这二者应该保持一致，在新的sql版本里，在数据库连接URL里能够不进行设置，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，该功能会将全部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。  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，下面有描述。  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()，但能够经过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全部请求，而不能针对具体页面进行设置，也不必定和browser使用的编码相同，因此有时候并非所指望的。  5. 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，浏览器会自动进行编码。这些字符除了"/?&"等外，还包括unicode字符，好比汉子。这时的编码比较特殊。  IE有一个选项"老是使用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。若是改选项无效，则使用默认编码"GBK"，而且不进行URL编码。可是，对于URL后面的参数，则老是不进行编码，至关于UTF-8选项无效。好比"中文.html?a=中文"，当UTF-8选项有效时，将发送连接"%e4%b8%ad%e6%96%87.html?a=/x4e/x2d/x65/x87"；而UTF-8选项无效时，将发送连接"/x4e/x2d/x65/x87.html?a=/x4e/x2d/x65/x87"。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编码的缘由。  当web server（tomcat）接收到该连接时，将会进行URL解码，即去掉"%"，同时按照ISO8859-1编码（上面已经描述，可使用URLEncoding来设置成其它编码）识别。上述例子的结果分别是"/ue4/ub8/uad/ue6/u96/u87.html?a=/u4e/u2d/u65/u87"和"/u4e/u2d/u65/u87.html?a=/u4e/u2d/u65/u87"，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。  因此，因为客户端设置的不一样，相同的连接，在服务器上获得了不一样结果。这个问题很多人都遇到，却没有很好的解决办法。因此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。  5.2. 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。须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使用[NE]参数来关闭该功能，但我试验并未成功，多是由于版本（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，该功能将致使系统得不到正常结果。  rewrite自己彷佛彻底是采用字节处理的方式，而不考虑字符串的编码，因此不会带来编码问题。  5.3. URLEncode.encode()  这是Java自己提供对的URL编码函数，完成的工做和上述UTF-8选项有效时浏览器所作的工做类似。值得说明的是，java已经不同意不指定编码来使用该方法（deprecated）。应该在使用的时候增长编码指定。  当不指定编码的时候，该方法使用系统默认编码，这会致使软件运行结果得不肯定。好比对于"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"，结果倒是"%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，可能须要修改相应的程序。  5.4. 一个解决方案  上面提及过，由于浏览器设置的不一样，对于同一个连接，web server收到的是不一样内容，而软件系统有没法知道这中间的区别，因此这一协议目前还存在缺陷。  针对具体问题，不该该侥幸认为全部客户的IE设置都是UTF-8有效的，也不该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个web server的设置。因此，接下来的解决办法就只能是让本身的程序多一点智能：根据内容来分析编码是否UTF-8。  比较幸运的是UTF-8编码至关有规律，因此能够经过分析传输过来的连接内容，来判断是不是正确的UTF-8字符，若是是，则以UTF-8处理之，若是不是，则使用客户默认编码（好比"GBK"），下面是一个判断是否UTF-8的例子，若是你了解相应规律，就容易理解。  public static boolean isValidUtf8(byte[] b,int aMaxCount){         int lLen=b.length,lCharCount=0;         for(int i=0;i<lLen && lCharCount<aMaxCount;++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+lCount>lLen) return false;                for(int j=0;j<lCount;++j,++i) if(b[i]>=(byte)0xc0) return false;         }         return true;  }  相应地，一个使用上述方法的例子以下：  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，以下两方面：  l 没有包括对用户默认编码的识别，这能够根据请求信息的语言来判断，但不必定正确，由于咱们有时候也会输入一些韩文，或者其余文字。  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" /xd1/xa7/xcf/xb0"，若是使用上述isValidUtf8方法判断，将返回true。能够考虑使用更严格的判断方法，不过估计效果不大。  有一个例子能够证实google也遇到了上述问题，并且也采用了和上述类似的处理方法，好比，若是在地址栏中输入"http://www.google.com/search?hl=zh-CN&newwindow=1&q=学习"，google将没法正确识别，而其余汉字通常可以正常识别。  最后，应该补充说明一下，若是不使用rewrite规则，或者经过表单提交数据，其实并不必定会遇到上述问题，由于这时能够在提交数据时指定但愿的编码。另外，中文文件名确实会带来问题，应该谨慎使用。  6. 其它  下面描述一些和编码有关的其余问题。  6.1. SecureCRT  除了浏览器和控制台与编码有关外，一些客户端也颇有关系。好比在使用SecureCRT链接linux时，应该让SecureCRT的显示编码（不一样的session，能够有不一样的编码设置）和linux的编码环境变量保持一致。不然看到的一些帮助信息，就多是乱码。  另外，mysql有本身的编码设置，也应该保持和SecureCRT的显示编码一致。不然经过SecureCRT执行sql语句的时候，可能没法处理中文字符，查询结果也会出现乱码。  对于Utf-8文件，不少编辑器（好比记事本）会在文件开头增长三个不可见的标志字节，若是做为mysql的输入文件，则必需要去掉这三个字符。（用linux的vi保存能够去掉这三个字符）。一个有趣的现象是，在中文windows下，建立一个新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。  6.2. 过滤器  若是须要统一设置编码，则经过filter进行设置是个不错的选择。在filter class中，能够统一为须要的请求或者回应设置编码。参加上述setCharacterEncoding()。这个类apache已经给出了能够直接使用的例子SetCharacterEncodingFilter。  6.3. POST和GET  很明显，以POST提交信息时，URL有更好的可读性，并且能够方便的使用setCharacterEncoding()来处理字符集问题。但GET方法造成的URL可以更容易表达网页的实际内容，也可以用于收藏。  从统一的角度考虑问题，建议采用GET方法，这要求在程序中得到参数是进行特殊处理，而没法使用setCharacterEncoding()的便利，若是不考虑rewrite，就不存在IE的UTF-8问题，能够考虑经过设置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，因为编码不一样，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。能够考虑将UTF、GBK中的全部繁体字，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。固然，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"，进行简繁体编码转换后应该是两个相同的 "/xE8/xAF/xAD/xE8/xA8/x80>"。