java字符集笔记Word文件下载.docx
- 文档编号:16178673
- 上传时间:2022-11-21
- 格式:DOCX
- 页数:9
- 大小:23.29KB
java字符集笔记Word文件下载.docx
《java字符集笔记Word文件下载.docx》由会员分享,可在线阅读,更多相关《java字符集笔记Word文件下载.docx(9页珍藏版)》请在冰豆网上搜索。
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'
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。
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:
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。
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,有些地方需要进行正确的设置,有些地方需要进行一定程度的处理。
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"
,正常情况下(即没有错误的时候)存储为"
,如果charset为"
gbk"
,则被编码为"
,然后返回字节"
如果charset为"
utf8"
则最后是"
如果是"
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,"
和"
都可以得出正确的结果"
,但iso8859-1最后变成了"
003f
003f"
因为utf8可以用来表示/编码所有字符,所以new
String(
str.getBytes(
),
)
===
str,即完全可逆。
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
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。
3.4.
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。
3.4.1.
表单输入
User
*(gbk:
cec4)
browser
web
server
iso8859-1(00d6
00d
000ce
00c4)
class,需要在class中进行处理:
getbytes("
)为d6
c4,new
String("
)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。
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。
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。
如
小说520网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。
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。
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,当然也可以在编译时指定编码。
Jsp
file
compiler
read
uincode(gbk:
6587;
iso8859-1:
00d6
write
utf(gbk:
e69687;
*)
compiled
unicode(gbk:
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
os
console
browser。
文件可以以多种编码方式保存,中文windows下,默认为ansi/gbk。
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。
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。
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。
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。
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,对于一般class文件,可以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。
%@
page
contentType="
text/html;
charset=
该设置和response.setCharacterEncoding("
)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()。
META
http-equiv="
Content-Type"
content="
charset=GBK"
/>
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。
3.5.4.
form设置
当浏览器提交表单的时候,可以指定相应的编码。
form
accept-charset=
gb2312"
>
一般不必不使用该设置,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。
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。
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="
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。
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方法提交表单的情况,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,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"
,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。
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选项无效时,将发送链接"
\x4e\x2d\x65\x87.html?
注意后者前面的"
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"
\ue4\ub8\uad\ue6\u96\u87.html?
a=\u4e\u2d\u65\u87"
\u4e\u2d\u65\u87.html?
,注意前者前面的"
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。
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。
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。
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"
,当系统默认编码为"
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"
编码,可能需要修改相应的程序。
5.4.
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"
),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<
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;
lCount=lByte>
(byte)0xfc?
5:
(byte)0xf8?
4
:
(byte)0xf0?
3:
(byte)0xe0?
2:
1;
if(i+lCount>
lLen)
j=0;
j<
lCount;
++j,++i)
if(b[i]>
=(byte)0xc0)
}
true;
相应地,一个使用上述方法的例子如下:
String
getUrlParam(String
aStr,String
aDefaultCharset)
throws
UnsupportedEncodingException{
if(aStr==null)
null;
byte[]
lBytes=aStr.getBytes("
ISO-8859-1"
);
String(lBytes,StringUtil.isValidUtf8(lBytes)?
aDefaultCharset);
不过,该方法也存在缺陷,如下两方面:
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。
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"
,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"
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。
6.
下面描述一些和编码有关的其他问题。
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。
6.2.
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apach
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- java 字符集 笔记