发新话题
打印

Java字符集

Java字符集

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
jiyizhen-buy.com颈椎保健枕太空记忆枕 igerl.com歌瑞尔内衣

TOP

发新话题