java和jsp的中文乱码问题.docx

java和jsp的中文乱码问题.docx

《java和jsp的中文乱码问题.docx》由会员分享，可在线阅读，更多相关《java和jsp的中文乱码问题.docx（13页珍藏版）》请在冰豆网上搜索。

java和jsp的中文乱码问题

Servlet中文乱码问题及解决方案剖析

分类：

【JavaWeb】2012-01-2823:

26258人阅读评论（0）收藏举报

一、常识了解

一、什么是字符集?

什么是编码?

字符（Character）是文字与符号的总称，包括文字、图形符号、数学符号等。

一组抽象字符的集合就是字符集（Charset）。

字符集常常和一种具体的语言文字对应起来，该文字中的所有字符或者大部分常用字符就构成了该文字的字符集，比如英文字符集。

一组有共同特征的字符也可以组成字符集，比如繁体汉字字符集、日文汉字字符集。

字符集的子集也是字符集。

计算机要处理各种字符，就需要将字符和二进制内码对应起来，这种对应关系就是字符编码（Encoding）。

制定编码首先要确定字符集，并将字符集内的字符排序，然后和二进制数字对应起来。

根据字符集内字符的多少，会确定用几个字节来编码。

每种编码都限定了一个明确的字符集合，叫做被编码过的字符集（CodedCharacterSet），这是字符集的另外一个含义。

通常所说的字符集大多是这个含义。

二、有哪些字符集?

ASCII:

AmericanStandardCodeforInformationInterchange，美国信息交换标准码。

目前计算机中用得最广泛的字符集及其编码，由美国国家标准局（ANSI）制定。

它已被国际标准化组织（ISO）定为国际标准，称为ISO646标准。

ASCII字符集由控制字符和图形字符组成。

在计算机的存储单元中，一个ASCII码值占一个字节（8个二进制位），其最高位（b7）用作奇偶校验位。

所谓奇偶校验，是指在代码传送过程中用来检验是否出现错误的一种方法，一般分奇校验和偶校验两种。

奇校验规定:

正确的代码一个字节中1的个数必须是奇数，若非奇数，则在最高位b7添1。

偶校验规定:

正确的代码一个字节中1的个数必须是偶数，若非偶数，则在最高位b7添1。

ISO8859-1:

ISO8859，全称ISO/IEC8859，是国际标准化组织（ISO）及国际电工委员会（IEC）联合制定的一系列8位字符集的标准，现时定义了15个字符集。

ASCII收录了空格及94个“可印刷字符”，足以给英语使用。

但是，其他使用拉丁字母的语言（主要是欧洲国家的语言），都有一定数量的变音字母，故可以使用ASCII及控制字符以外的区域来储存及表示。

除了使用拉丁字母的语言外，使用西里尔字母的东欧语言、希腊语、泰语、现代阿拉伯语、希伯来语等，都可以使用这个形式来储存及表示。

*ISO8859-1（Latin-1）-西欧语言

*ISO8859-2（Latin-2）-中欧语言

*ISO8859-3（Latin-3）-南欧语言。

世界语也可用此字符集显示。

*ISO8859-4（Latin-4）-北欧语言

*ISO8859-5（Cyrillic）-斯拉夫语言

*ISO8859-6（Arabic）-阿拉伯语

*ISO8859-7（Greek）-希腊语

*ISO8859-8（Hebrew）-希伯来语（视觉顺序）

*ISO8859-8-I-希伯来语（逻辑顺序）

*ISO8859-9（Latin-5或Turkish）-它把Latin-1的冰岛语字母换走，加入土耳其语字母。

*ISO8859-10（Latin-6或Nordic）-北日耳曼语支，用来代替Latin-4。

*ISO8859-11（Thai）-泰语，从泰国的TIS620标准字集演化而来。

*ISO8859-13（Latin-7或BalticRim）-波罗的语族

*ISO8859-14（Latin-8或Celtic）-凯尔特语族

*ISO8859-15（Latin-9）-西欧语言，加入Latin-1欠缺的法语及芬兰语重音字母，以及欧元符号。

*ISO8859-16（Latin-10）-东南欧语言。

主要供罗马尼亚语使用，并加入欧元符号。

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。

UCS:

通用字符集（UniversalCharacterSet，UCS）是由ISO制定的ISO10646（或称ISO/IEC10646）标准所定义的字符编码方式，采用4字节编码。

UCS包含了已知语言的所有字符。

除了拉丁语、希腊语、斯拉夫语、希伯来语、阿拉伯语、亚美尼亚语、格鲁吉亚语，还包括中文、日文、韩文这样的象形文字，UCS还包括大量的图形、印刷、数学、科学符号。

*UCS-2:

与unicode的2byte编码基本一样。

*UCS-4:

4byte编码,目前是在UCS-2前加上2个全零的byte。

Unicode:

Unicode（统一码、万国码、单一码）是一种在计算机上使用的字符编码。

它是http:

//www.unicode.org制定的编码机制，要将全世界常用文字都函括进去。

它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。

1990年开始研发，1994年正式公布。

随着计算机工作能力的增强，Unicode也在面世以来的十多年里得到普及。

但自从unicode2.0开始，unicode采用了与ISO10646-1相同的字库和字码，ISO也承诺ISO10646将不会给超出0x10FFFF的UCS-4编码赋值，使得两者保持一致。

Unicode的编码方式与ISO10646的通用字符集（UniversalCharacterSet，UCS）概念相对应，目前的用于实用的Unicode版本对应于UCS-2，使用16位的编码空间。

也就是每个字符占用2个字节，基本满足各种语言的使用。

实际上目前版本的Unicode尚未填充满这16位编码，保留了大量空间作为特殊使用或将来扩展。

UTF:

Unicode的实现方式不同于编码方式。

一个字符的Unicode编码是确定的，但是在实际传输过程中，由于不同系统平台的设计不一定一致，以及出于节省空间的目的，对Unicode编码的实现方式有所不同。

Unicode的实现方式称为Unicode转换格式（UnicodeTranslationFormat，简称为UTF）。

*UTF-8:

8bit变长编码，对于大多数常用字符集（ASCII中0~127字符）它只使用单字节，而对其它常用字符（特别是朝鲜和汉语会意文字），它使用3字节。

*UTF-16:

16bit编码，是变长码，大致相当于20位编码，值在0到0x10FFFF之间，基本上就是unicode编码的实现，与CPU字序有关。

汉字编码:

*GB2312字集是简体字集，全称为GB2312（80）字集，共包括国标简体汉字6763个。

*BIG5字集是台湾繁体字集，共包括国标繁体汉字13053个。

*GBK字集是简繁字集，包括了GB字集、BIG5字集和一些符号，共包括21003个字符。

*GB18030是国家制定的一个强制性大字集标准，全称为GB18030-2000，它的推出使汉字集有了一个“大一统”的标准。

ANSI和Unicodebigendia:

我们在Windows系统中保存文本文件时通常可以选择编码为ANSI、Unicode、Unicodebigendian和UTF-8，这里的ANSI和Unicodebigendia是什么编码呢?

ANSI:

使用2个字节来代表一个字符的各种汉字延伸编码方式，称为ANSI编码。

在简体中文系统下，ANSI编码代表GB2312编码，在日文操作系统下，ANSI编码代表JIS编码。

Unicodebigendia:

UTF-8以字节为编码单元，没有字节序的问题。

UTF-16以两个字节为编码单元，在解释一个UTF-16文本前，首先要弄清楚每个编码单元的字节序。

Unicode规范中推荐的标记字节顺序的方法是BOM（即ByteOrderMark）。

在UCS编码中有一个叫做"ZEROWIDTHNO-BREAKSPACE"的字符，它的编码是FEFF。

而FFFE在UCS中是不存在的字符，所以不应该出现在实际传输中。

UCS规范建议我们在传输字节流前，先传输字符"ZEROWIDTHNO-BREAKSPACE"。

这样如果接收者收到FEFF，就表明这个字节流是Big-Endian的；如果收到FFFE，就表明这个字节流是Little-Endian的。

因此字符"ZEROWIDTHNO-BREAKSPACE"又被称作BOM。

Windows就是使用BOM来标记文本文件的编码方式的。

三、编程语言与编码

C、C++、Python2内部字符串都是使用当前系统默认编码

Python3、Java内部字符串用Unicode保存

Ruby有一个内部变量$KCODE用来表示可识别的多字节字符串的编码，变量值为"EUC""SJIS""UTF8""NONE"之一。

$KCODE的值为"EUC"时，将假定字符串或正则表达式的编码为EUC-JP。

同样地，若为"SJIS"时则认定为ShiftJIS。

若为"UTF8"时则认定为UTF-8。

若为"NONE"时，将不会识别多字节字符串。

在向该变量赋值时，只有第1个字节起作用，且不区分大小写字母。

"e""E"代表"EUC"，"s""S"代表"SJIS"，"u""U"代表"UTF8"，而"n""N"则代表"NONE"。

默认值为"NONE"。

即默认情况下Ruby把字符串当成单字节序列来处理。

四、为什么会乱码?

乱码是个老问题，从上面我们知道，字符在保存时的编码格式如果和要显示的编码格式不一样的话，就会出现乱码问题。

我们的Web系统，从底层数据库编码、Web应用程序编码到HTML页面编码，如果有一项不一致的话，就会出现乱码。

所以，解决乱码问题说难也难说简单也简单，关键是让交互系统之间编码一致。

五、有没有万金油?

在如此多种编码和字符集弄的我们眼花缭乱的情况下，我们只需选择一种兼容性最好的编码方式和字符集，让它成为我们程序子系统之间

交互的编码契约，那么从此恼人的乱码问题即将远离我们而去--这种兼容性最好的编码就是UTF-8!

毕竟GBK/GB2312是国内的标准，当我们大量使用国外的开源软件时，UTF-8才是编码界最通用的语言。

1.GBK包含GB2312，即如果通过GB2312编码后可以通过GBK解码，反之可能不成立;

2.java.nio.charset.Charset.defaultCharset（） 获得平台默认字符编码；

3.getBytes（）是通过平台默认字符集进行编码；

二、中文乱码出现

在学习任何一门技术时，经常会有初学者遇到中文乱码问题，比如MySQL，是因为在安装时没有设置；而在Servlet中，也会遇到中文乱码问题；

比如：

OutputStreamout=response.getOutputStream（）;

out.write（String）;

输出中文时可能会出现乱码；

比如：

[java]viewplaincopyprint?

1.protected void doGet（HttpServletRequest request, HttpServletResponse response） throws ServletException, IOException {  

2.          

3.        OutputStream out = response.getOutputStream（）;  

4.        String data = "博客";  

5.        out.write（data.getBytes（"UTF-8"））;  

6.    }  

输出乱码的问题是程序用UTF-8编码，而浏览器用GB2312解码，因此会出现乱码；

Servlet乱码分为request乱码和response乱码；

三、response中文乱码

在网上很有效的解决方法是添加：

response.setCharacterEncoding（"UTF-8"）;

解决不了，后来又搜到一条解决方法是：

respnse.setHeader（"content-type","text/html;charset=UTF-8"）;

两句都填上，后来终于解决了这个问题；

其实我们应该思考一下本质；

问题1：

我们这里先来说明一下错误的原因，下图是显示乱码的流程图：

response.setContentType（"text/html;charset=UTF-8"）;目的是为了控制浏览器的行为，即控制浏览器用UTF-8进行解码；

response.setCharacterEncoding（"UTF-8"）;的目的是用于response.getWriter（）输出的字符流的乱码问题，如果是response.getOutputStream（）是不需要此种解决方案的；因为这句话的意思是为了将response对象中的数据以UTF-8解码后发向浏览器；

解决方案流程图：

问题2

问题代码如下：

[java]viewplaincopyprint?

1.protected void doGet（HttpServletRequest request, HttpServletResponse response） throws ServletException, IOException {  

2.        PrintWriter out = response.getWriter（）;  

3.        String data = "博客";  

4.        out.println（data）;    

5.    }  

浏览器输出：

？

？

原因：

"博客"首先被封装在response对象中，因为IE和WEB服务器之间不能传输文本，然后就通过ISO-8859-1进行编码，但是ISO-8859-1中没有“博客”的编码，因此输出“？

？

”表示没有编码；

错误代码流程图：

而解决方案是：

response.setCharacterEncoding（"GB2312"）;设置response使用的码表

解决方案流程图：

补充：

通过标签模拟response头；

等价于response.setContentType（"text/html"）;

四、request乱码问题

request请求分为post和get，对于不同的请求方式有不同的解决乱码的方案；

1.post请求乱码

错误原因：

解决方案：

2.get请求乱码