Java中文问题详解

我来说一下tomcat如何实现JSP的你就明白了。

预备知识：

1.字节和unicode

Java内核是unicode的，就连class文件也是，但是很多媒体，包括文件/流的保存方式

是使用字节流的。因此Java要对这些字节流经行转化。char是unicode的，而byte是字节.

Java中byte/char互转的函数在sun.io的包中间有。其中ByteToCharConverter类是中调度，

可以用来告诉你，你用的Convertor。其中两个很常用的静态函数是

public static ByteToCharConverter getDefault() ;

public static ByteToCharConverter getConverter(String encoding);

如果你不指定converter，则系统会自动使用当前的Encoding,GB平台上用GBK,EN平台上用

8859_1

我们来就一个简单的例子：

"你"的gb码是：0xC4E3 ,unicode是0x4F60

你用:

--encoding="gb2312";

--byte b[]={(byte)'\u00c4',(byte)'\u00E3'};

--convertor=ByteToCharConverter.getConverter(encoding);

--char [] c=converter.convertAll(b);

--for(int i=0;i--{

-- System.out.println(Integer.toHexString(c[i]));

--}

--打印出来是0x4F60

--但是如果使用8859_1的编码，打印出来是

--0x00C4,0x00E3

----例１

反过来：

--encoding="gb2312";

char c[]={'\u4F60'};

convertor=ByteToCharConverter.getConverter(encoding);

--byte [] b=converter.convertAll(c);

--for(int i=0;i--{

-- System.out.println(Integer.toHexString(b[i]));

--}

--打印出来是：0xC4,0xE3

----例２

--如果用8859_1就是0x3F，?号，表示无法转化--

很多中文问题就是从这两个最简单的类派生出来的。而却有很多类

不直接支持把Encoding输入，这给我们带来诸多不便。很多程序难得用encoding

了，直接用default的encoding，这就给我们移植带来了很多困难

2.UTF-8

--UTF-8是和Unicode一一对应的，其实现很简单

-- 7位的Unicode: 0 _ _ _ _ _ _ _

--11位的Unicode: 1 1 0 _ _ _ _ _ 1 0 _ _ _ _ _ _

--16位的Unicode: 1 1 1 0 _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _

--21位的Unicode: 1 1 1 1 0 _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _

--大多数情况是只使用到16位以下的Unicode:

--"你"的gb码是：0xC4E3 ,unicode是0x4F60

--我们还是用上面的例子

----例１：0xC4E3的二进制：

---- 1 1 0 0 0 1 0 0 1 1 1 0 0 0 1 1

---- 由于只有两位我们按照两位的编码来排，但是我们发现这行不通，

---- 因为第７位不是0因此，返回"?"

----

----例２：0x4F60的二进制：

---- 0 1 0 0 1 1 1 1 0 1 1 0 0 0 0 0

---- 我们用UTF-8补齐，变成：

---- 11100100 10111101 10100000

---- E4--BD-- A0

---- 于是返回0xE4,0xBD,0xA0

----

3.String和byte[]

--String其实核心是char[],然而要把byte转化成String，必须经过编码。

--String.length()其实就是char数组的长度，如果使用不同的编码，很可

--能会错分，造成散字和乱码。

--例：

----byte [] b={(byte)'\u00c4',(byte)'\u00e3'};

----String str=new String(b,encoding);----

----如果encoding=8859_1，会有两个字，但是encoding=gb2312只有一个字----

--这个问题在处理分页是经常发生

4.Reader,Writer/InputStream,OutputStream

--Reader和Writer核心是char，InputStream和OutputStream核心是byte。

--但是Reader和Writer的主要目的是要把Char读/写InputStream/OutputStream

--一个reader的例子：

--文件test.txt只有一个"你"字，0xC4,0xE3--

--String encoding=;

--InputStreamReader reader=new InputStreamReader(

----new FileInputStream("text.txt"),encoding);

--char []c=new char[10];

--int length=reader.read(c);

--for(int i=0;i----System.out.println(c[i]);

--如果encoding是gb2312，则只有一个字符，如果encoding=8859_1，则有两个字符

--------

----

2.我们要对Java的编译器有所了解：

--javac -encoding

我们常常没有用到ENCODING这个参数。其实Encoding这个参数对于跨平台的操作是很重要的。

如果没有指定Encoding，则按照系统的默认Encoding,gb平台上是gb2312，英文平台上是ISO8859_1。

--Java的编译器实际上是调用sun.tools.javac.Main的类，对文件进行编译，这个类--

有compile函数中间有一个encoding的变量,-encoding的参数其实直接传给encoding变量。

编译器就是根据这个变量来读取java文件的，然后把用UTF-8形式编译成class文件。

一个例子：

--public void test()

--{

----String str="你";

----FileWriter write=new FileWriter("test.txt");

----write.write(str);

----write.close();

--}

----例３

--如果用gb2312编译，你会找到E4 BD A0的字段

--如果用8859_1编译，

--00C4 00E3的二进制：

--00000000 11000100 00000000 11100011--

--因为每个字符都大于7位，因此用11位编码：

--11000001 10000100 11000011 10100011

--C1-- 84--C3-- A3

--你会找到C1 84 C3 A3 --

但是我们往往忽略掉这个参数，因此这样往往会有跨平台的问题：

--例３在中文平台上编译，生成ZhClass

--例３在英文平台上编译，输出EnClass

--1. ZhClass在中文平台上执行OK,但是在英文平台上不行

--2. EnClass在英文平台上执行OK,但是在中文平台上不行

原因：

--1.在中文平台上编译后，其实str在运行态的char[]是0x4F60,----

--在中文平台上运行，FileWriter的缺省编码是gb2312,因此

--CharToByteConverter会自动用调用gb2312的converter,把str转化

--成byte输入到FileOutputStream中，于是0xC4,0xE3放进了文件。

--但是如果是在英文平台下，CharToByteConverter的缺省值是8859_1,

--FileWriter会自动调用8859_1去转化str,但是他无法解释，因此他会

--输出"?"----

--2.在英文平台上编译后，其实str在运行态的char[]是0x00C4 0x00E3,----

--在中文平台上运行，中文无法识别，因此会出现??

--在英文平台上，0x00C4-->0xC4,0x00E3->0xE3，因此0xC4,0xE3被放进了

--文件

----

1.对于JSP正文的解释：

--Tomcat首先看一下你的叶面中有没有"

http://localhost/test/test.jsp?value=你

结果:你好你

但这种方法局限性较大，比如对上传的文章分段，这样的做法是死定的，最好的

解决方案是用这种方案：

你好

必读好文,但解决方案不敢恭维

发言者：小熊

时间：2000/10/17 17:21:31 来自：www.javaunion.org

--------------------------------------------------------------------------------

1.网页传参数不提倡用get方法,而且用户可以调整是否用utf-8发送

2.建议jsp中最好不要用,实际上加不加这句都有实现中文正常显示的方案,我认为不加方便些,至少不用写这些代码,如下的配置我认为可以使中文正常显示:

a.所有的javabean用iso8859-1编译

b.jsp文件中不要写以上charset=gb2312的语句(写了反而错)

在tomcat情况下注意以上2点就行---了,等等,对于其他有可能不行的jsp服务器,加上以下

c.服务器上的操作系统语言设为英文(像没有装类似bluepoint中文系统的linux一般本来就是英文)

就行---了

谁要是还不对,请报告....

Re：必读好文,但解决方案不敢恭维

发言者：congling

时间：2000/10/17 21:06:23 来自：www.javaunion.org

--------------------------------------------------------------------------------

Tomcat的参数问题无论是GET或是POST方式都是用8859_1编码的。这个可以看Tomcat Servlet实现的源代码:

a) 对于POST方法

javax.servlet.http.HttpUtils的parsePostData方法： (对于POST的Form数据)

String postedBody = new String(postedBytes, 0, len, "8859_1");)这里是没有问题的因为中文都会用%来说明。但是parseName这个函数，却没有把是中文的东西整合起来，他只是简单的拼凑，因此可以认定他是使用8859_1的编码规则

sb.append((char) Integer.parseInt(s.substring(i+1, i+3), 16));

----i += 2;

b) 对于GET方法

org.apache.tomcat.service.http.HttpRequestAdapter

--line=new String(buf, 0, count,

Constants.CharacterEncoding.Default);

----Constants.CharacterEncoding.Default=8859_1

这段代码不好跟踪，千万不要被一些假象迷惑住。HttpRequestAdapter是从RequestImpl中派生的。但是，实际上用8080端口的Server并没有直接用到RequestImpl，而是用了HttpRequestAdapter来获得queryString

对于加不加encoding，我保留我的意见，因为如果要解决上传文件分页问题，必须要用他来编码。而且编码能保证在一些Beans当中的传递性。

看来我要在这里说明一下了

发言者：小熊

时间：1970/01/01 07:59:59 来自：www.javaunion.org

--------------------------------------------------------------------------------

Tomcat仅仅是一个对jsp1.1,servlet2.2的一个标准的实现,我们不应该要求这个免费软件在细致末节上和性能上都面面俱到,它主要考虑的英文用户,这也是为什么不作特殊转换我们的汉字用url方法传递有问题的原因,我们大部分浏览器ie其高级设置中始终以utf-8发送url的选项缺省是选上的,如果说这是tomcat的bug也是可以的,另外Tomcat不管当前的操作系统是什么语言,好像都按iso8859去编译jsp,我觉得也有点欠妥,但是不管怎么说,新标准的实现和热门的软件在语言的支持方面永远都是先考虑英文

我的方案什么说要好一些呢

1.还是那句话,英文国家的软件永远都是先考虑英文,java虚拟机的规范中要求虚拟机内部必须实现iso8859,unicode,UTF-8三种,其他的不作要求,我们用的jdk中的虚拟机就是这样,嵌入式的就更不用说了,也就是说其他的ENCODE都很可能不是java虚拟机内部直接支持的,我们的中文自然也不在其列,需要外部的包支持转换,sun jdk应该在i18n.jar中,用iso8859速度最快,不需要其它调用和交换什么的,更没有读包的io操作

2.至少少写了代码,没有额外操作,简洁的风格谁不喜欢

3.所写的jsp页面国际性化好,我才写了一个jsp+javabeans的聊天室软件(没有用到servlet,jsp真的确实很好),同样的程序美国人用他们的浏览器进入就是英文界面,中文进入就是中文界面,如果加上charset=gb2312至少很麻烦

4.限定了gb2312,如果用户要用GBK,怎么办,不加更好,不管什么的字符集,只要我当前浏览器设定的是,我就能显示出来

总结:无论从速度上,开发效率上,和可扩展性上考虑,我的方案都比你的好,另外,我找不到你的方案比我的好的地方

中华技术网整理发布 http://www.asfocus.com