Java字符集编码研究.docx

上传人:b****5 文档编号:2831617 上传时间:2022-11-15 格式:DOCX 页数:8 大小:23.25KB
下载 相关 举报
Java字符集编码研究.docx_第1页
第1页 / 共8页
Java字符集编码研究.docx_第2页
第2页 / 共8页
Java字符集编码研究.docx_第3页
第3页 / 共8页
Java字符集编码研究.docx_第4页
第4页 / 共8页
Java字符集编码研究.docx_第5页
第5页 / 共8页
点击查看更多>>
下载资源
资源描述

Java字符集编码研究.docx

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

Java字符集编码研究.docx

Java字符集编码研究

1.概述

本文主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。

在下面的描述中,将以"中文"两个字为例,经查表可以知道其GB2312编码是"d6d0cec4",Unicode编码为"4e2d6587",UTF编码就是"e4b8ade69687"。

注意,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语言,逐渐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,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"中文"两个字不存在iso8859-1编码,以gb2312编码为例,应该是"d6d0cec4"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'a'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"中文",正常情况下(即没有错误的时候)存储为"4e2d6587",如果charset为"gbk",则被编码为"d6d0cec4",然后返回字节"d6d0cec4"。

如果charset为"utf8"则最后是"e4b8ade69687"。

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,"gbk"和"utf8"都可以得出正确的结果"4e2d6587",但iso8859-1最后变成了"003f003f"(两个问号)。

因为utf8可以用来表示/编码所有字符,所以newString(str.getBytes("utf8"),"utf8")===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   *(gbk:

d6d0cec4)  webserver   iso8859-1(00d600d000ce00c4)  class,需要在class中进行处理:

getbytes("iso8859-1")为d6d0cec4,newString("gbk")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   *(gbk:

d6d0cec4)  javafile   *(gbk:

d6d0cec4)  compilerread   uincode(gbk:

4e2d6587;iso8859-1:

00d600d000ce00c4)  compilerwrite   utf(gbk:

e4b8ade69687;iso8859-1:

*)  compiledfile   unicode(gbk:

4e2d6587;iso8859-1:

00d600d000ce00c4)  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。

例如:

<%@pagecontentType="text/html;charset=GBK"%>。

该设置和response.setCharacterEncoding("GBK")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()。

例如:

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。

例如:

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

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 工程科技 > 环境科学食品科学

copyright@ 2008-2022 冰豆网网站版权所有

经营许可证编号:鄂ICP备2022015515号-1