Java字符集编码研究Word下载.docx

Java字符集编码研究Word下载.docx

《Java字符集编码研究Word下载.docx》由会员分享，可在线阅读，更多相关《Java字符集编码研究Word下载.docx（8页珍藏版）》请在冰豆网上搜索。

2.1.iso8859-1

属于单字节编码，最多能表示的字符范围是0-255，应用于英文系列。

比如，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。

比如，虽然"

两个字不存在iso8859-1编码，以gb2312编码为例，应该是"

两个字符，使用iso8859-1编码的时候则将它拆开为4个字节来表示：

"

d6d0cec4"

（事实上，在进行存储的时候，也是以字节为单位处理的）。

而如果是UTF编码，则是6个字节"

e4b8ade69687"

很明显，这种表示方法还需要以另一种编码为基础。

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"

0061"

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"

3f3f"

（两个问号）。

3.2.newString（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"

003f003f"

因为utf8可以用来表示/编码所有字符，所以newString（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（）。

javadoc上说明：

ThismethodmustbecalledpriortoreadingrequestparametersorreadinginputusinggetReader（）。

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

Userinput 

*（gbk:

d6d0cec4） 

browser 

webserver 

iso8859-1（00d600d000ce00c4） 

class，需要在class中进行处理：

getbytes（"

）为d6d0cec4，newString（"

）为d6d0cec4，内存中以unicode编码则为4e2d6587。

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webserver，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。

lWebserver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。

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。

l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 

javafile 

compilerread 

uincode（gbk:

4e2d6587;

iso8859-1:

00d600d000ce00c4） 

compilerwrite 

utf（gbk:

e4b8ade69687;

*） 

compiledfile 

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（4e2d6587） 

system.out/jsp.out 

gbk（d6d0cec4） 

osconsole/browser。

l文件可以以多种编码方式保存，中文windows下，默认为ansi/gbk。

l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。

lJava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。

l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。

lbrowser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：

<

%@pagepageEncoding="

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。

%@pagecontentType="

text/html;

charset=GBK"

%>

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（）。

METAhttp-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。

formaccept-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