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，经查表可以知道其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言语，逐步出现了很多标准编码，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，运用于英文系列。比方，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，和计算机最根底的表示单位一致，所以很多时分，仍旧运用 iso8859-1编码来表示。而且在很多协议上，默认运用该编码。比方，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，运用iso8859-1编码的时分则将它拆开为4个字节来表示："d6 d0 ce c4"（事实上，在进行存储的 时分，也是以字节为单位处理的）。而假设是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 根底。
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。
2.3. unicode
这 是最统一的编码，可以用来表示所有言语的字符，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，相关于iso8859-1编码来说，uniocode编码只是在前面添加了一个0字节，比方字母'a'为"00 61"。
需要说明的是，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运用unicode编码来处理的，比方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：由于关于英文字母，unicode也需要两个字节来表示。所以 unicode不便于传输和存储。因而而产生了utf编码，utf编码兼容iso8859-1编码，同时也可以用来表示所有言语的字符，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，而汉字运用三个字节。
留意，虽然说utf是为了运用更少的空间而运用的，但那只是相关于unicode编码来说，假设已经知道是汉字，则运用 GB2312/GBK无疑是最节省的。不过另一方面，值得说明的是，虽然utf编码对汉字运用3个字节，但即使关于汉字网页，utf编码也会比 unicode编码节省，由于网页中包括了很多的英文字符。
3. java对字符的处理
在java运用软件中，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水平的处理。
3.1. 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。留意字符串在java内存中总是按 unicode编码存储的。比方"中文"，正常情况下（即没有错误的时分）存储为"4e2d 6587"，假设charset为"gbk"，则被编码为 "d6d0 cec4"，然后返回字节"d6 d0 ce c4"。假设charset为"utf8"则最后是"e4 b8 ad e6 96 87"。 假设是"iso8859-1"，则由于无法编码，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"都可以得出正确的后果"4e2d 6587"，但iso8859-1最后变成了 "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恳求或者相应的编码。
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，假设不指定，则默认运用iso8859-1 编码，需要进一步处理。参见下述"表单输入"。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。剖析原因，应该是在执行第一个getParameter()的时分，java将会按照编码分 析所有的提交内容，然后续的getParameter()不再进行剖析，所以setCharacterEncoding()有效。而关于GET方法提交表 单是，提交的内容在URL中，一开端就已经按照编码剖析所有的提交内容，setCharacterEncoding()自然就有效。
关于response，则是指定输入内容的编码，同时，该设置会传递给阅读器，告诉阅读器输入内容所采用的编码。
3.4. 处理进程
下面剖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。
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运用的字符集，否则会运用页面指定的编码。而假设在url中直接用?的方式输入参数，则其编码往往是操作细叱本身的编码，由于这时和页面无关。上述仍旧以gbk编码为例。
l Web server 接纳到的是字节流，默认时（getParameter）会以iso8859-1编码处理之，后果是不正确的，所以需要进行处理。但假设预先设置了编码（通 过request. setCharacterEncoding ()），则能够直接获取到正确的后果。
l 在页面中指定编码是个好习惯，否则能够失掉控制，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，默以为ansi/gbk。
l 编译器读取文件时，需要失掉文件的编码，假设未指定，则运用系统默认编码。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，但关于 jsp文件，假设在中文windows下编辑保存，而部署在英文linux下运转/编译，则会出现问题。所以需要在jsp文件中用 pageEncoding指定编码。
l Java编译的时分会转换成统一的unicode编码处理，最后保存的时分再转换为utf编码。
l 当系统输入字符的时分，会按指定编码输入，关于中文windows下，System.out将运用gbk编码，而关于response（阅读器），则运用 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。假设未指定，则会运用 iso8859-1编码。关于中文，应该为browser指定输入字符串的编码。
l browser显示网页的时分，首先运用response中指定的编码（jsp文件头指定的contentType最终也反映在response上），假设未指定，则会运用网页中meta项指定中的contentType。
3.5. 几处设置
关于web运用顺序，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，很明显，该设置应该置于文件的开头。例如：%@page pageEncoding="GBK"%。另外，关于一般class文件，可以在编译的时分指定编码。
3.5.2. jsp输入
指 定文件输入到browser是运用的编码，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 定网页运用的编码，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" /
假设同时采用了jsp输入和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。
需要留意的是，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，所以会覆盖静态网页中的meta指定。所以有人建议封锁该设置。
3.5.4. form设置
当阅读器提交表单的时分，可以指定相应的编码。例如：form accept-charset= "gb2312"。一般不用不运用该设置，阅读器会直接运用网页的编码。
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，要支持多言语，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，假设中文数据中包括的英文字母很少，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=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，该功能会将所有静态页面的编码设置为UTF-8，最好封锁该功能。
另外，apache还有单独的模块来处理网页照应头，其中也能够对编码进行设置。
4.3. linux默认编码
这里所说的linux默认编码，是指运转时的环境变量。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，运用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：Connector ... URIEncoding="GBK"/。这种方 法将统一设置所有恳求，而不能针对详细页面进行设置，也不一定和browser运用的编码相同，所以有时分并不是所希冀的。
5. URL地址
URL地址中含有中文字符是很麻烦的，前面描绘过运用GET方法提交表单的情况，运用GET方法时，参数就是包括在URL中。
5.1. URL编码
关于URL中的一些特殊字符，阅读器会自动进行编码。这些字符除了"/?"等外，还包括unicode字符，比方汉子。这时的编码比拟特殊。
IE 有一个选项"总是运用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。假设改选项有效，则运用默认 编码"GBK"，并且不进行URL编码。但是，关于URL前面的参数，则总是不进行编码，相当于UTF-8选项有效。比方"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编码的原因。
当web server（tomcat）接纳到该链接时，将会进行URL解码，即去掉 "%"，同时按照ISO8859-1编码（下面已经描绘，可以运用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，相同的链接，在服务器上失掉了不同后果。这个问题不少人都遇到，却没有很好的处理办法。所以有的网站会建议用户尝试封锁UTF-8选项。不过，下面会描绘一个更好的处理办法。
5.2. rewrite
熟 悉的人都知道，apache有一个功能强大的rewrite模块，这里不描绘其功能。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运用[NE]参数来封锁该功能，但我实验并未成功，能够是由于版本（我运用的是 apache 2.0.54）问题。另外，当参数中含有"? "等符号的时分，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，完成的工作和上述UTF-8选项有效时阅读器所做的工作相似。值得说明的是，java已经不赞成不指定编码来运用该方法（deprecated）。应该在运用的时分添加编码指定。
当 不指定编码的时分，该方法运用系统默认编码，这会导致软件运转后果得不确定。比方关于"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 是由运转tomcat时的环境变量LC_ALL和LANG等决议的，已经出现过tomcat重启后就出现乱码的问题，最后才郁闷的发现是由于修正修正了这 两个环境变量。
建议统一指定为"UTF-8"编码，能够需要修正相应的顺序。
5.4. 一个处理方案
下面说起过，由于阅读器设置的不同，关于同一个链接，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。
针对详细问题，不应该侥幸以为所有客户的IE设置都是UTF-8有效的，也不应该粗犷的建议用户修正IE设置，要知道，用户不能够去记住每一个web server的设置。所以，接上去的处理办法就只能是让自己的顺序多一点智能：依据内容来剖析编码能否UTF-8。
比拟幸运的是UTF-8编码相当有规律，所以可以通过剖析传输过来的链接内容，来判断能否是正确的UTF-8字符，假设是，则以UTF-8处理之，假设不是，则运用客户默认编码（比方"GBK"），下面是一个判断能否UTF-8的例子，假设你了解相应规律，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，一个运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，这可以依据恳求信息的言语来判断，但不一定正确，由于我们有时分也会输入一些韩文，或者其他文字。
l 能够会错误判断UTF-8字符，一个例子是"学习"两个字，其GBK编码是" \xd1\xa7\xcf\xb0"，假设运用上述isValidUtf8方法判断，将返回true。可以思索运用更严厉的判断方法，不过估量效果不大。
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，比方，假设在地址栏中输入"http: //google/search?hl=zh-CNnewwindow=1q=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，假设不运用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，由于这时可以在提交数据时指定希望的编码。另外，中文文件名确实会带来问题，应该谨慎运用。
6. 其它
下面描绘一些和编码有关的其他问题。
6.1. SecureCRT
除了阅读器和控制台与编码有关外，一些客户端也很有关系。比方在运用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。否则通过SecureCRT执行sql语句的时分，能够无法处理中文字符，查询后果也会出现乱码。歌瑞尔
对 于Utf-8文件，很多编辑器（比方记事本）会在文件开头添加三个不可见的标志字节，假设作为mysql的输入文件，则必需要去掉这三个字符。（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。
6.2. 过滤器
假设需要统一设置编码，则通过filter进 行设置是个不错的选择。在filter class中，可以统一为需要的恳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运用的例子SetCharacterEncodingFilter。
6.3. POST和GET
很明显，以POST提交信息时，URL有更好的可读性，而且可以方便的运用setCharacterEncoding()来处理字符集问题。但GET方法构成的URL能够更容易表达网页的实际内容，也能够用于珍藏。
从 统一的角度思索问题，建议采用GET方法，这要求在顺序中获得参数是进行特殊处理，而无法运用setCharacterEncoding()的便当，假设 不思索rewrite，就不存在IE的UTF-8问题，可以思索通过设置URIEncoding来方便获取URL中的参数。
6.4. 简繁体编码转换
GBK 同时包括简体和繁体编码，也就是说同一个字，由于编码不同，在GBK编码下属于两个字。有时分，为了正确获得完整的后果，应该将繁体和简体进行统一。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，关于"言语 ?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"。
本文来自CSDN博客，转载请标明出处：blog.csdn/DL88250/archive/2007/07/02/1675732.aspx
