Home > 我就是未分类 > 偷来的一些关于中文乱码问题的解决方案和经验

偷来的一些关于中文乱码问题的解决方案和经验

August 18th, 2004

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。
byte ——〉char:
“你”的gb码是:0xc4e3 ,unicode是0x4f60
String encoding = “gb2312”;
byte b[] = {(byte)’\u00c4′,(byte)’\u00e3′};
ByteToCharConverter converter = ByteToCharConverter.getConverter(encoding);
char c[] = converter.convertAll(b);
for (int i = 0; i < c.length; i++) {
System.out.println(Integer.toHexString(c[i]));
}
结果是什么?0x4f60
如果encoding =”8859_1″,结果又是什么?0x00c4,0x00e3
如果代码改为
byte b[] = {(byte)’\u00c4′,(byte)’\u00e3′};
ByteToCharConverter converter = ByteToCharConverter. getDefault();
char c[] = converter.convertAll(b);
for (int i = 0; i < c.length; i++) {
System.out.println(Integer.toHexString(c[i]));
}
结果将又是什么?根据平台的编码而定。

char ——〉byte:
String encoding = “gb2312”;
char c[] = {‘\u4f60’};
CharToByteConverter converter = CharToByteConverter.getConverter(encoding);
byte b[] = converter.convertAll(c);
for (int i = 0; i < b.length; i++) {
System.out.println(Integer.toHexString(b[i]));
}
结果是什么?0x00c4,0x00e3
如果encoding =”8859_1″,结果又是什么?0x3f
如果代码改为
String encoding = “gb2312”;
char c[] = {‘\u4f60’};
CharToByteConverter converter = CharToByteConverter.getDefault();
byte b[] = converter.convertAll(c);
for (int i = 0; i < b.length; i++) {
System.out.println(Integer.toHexString(b[i]));
}
结果将又是什么?根据平台的编码而定。
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
0xc4e3的二进制:
1100 ,0100 ,1110 ,0011
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”?”
0x4f60的二进制:
0100 ,1111 ,0110 ,0000
我们用utf-8补齐,变成:
1110 ,0100 ,1011 ,1101 ,1010 ,0000
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。
例如:
String encoding = “”;
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。
例如:
文件test.txt只有一个”你”字,0xc4,0xe3
String encoding = “gb2312”;
InputStreamReader reader = new InputStreamReader(new FileInputStream(
“text.txt”), encoding);
char c[] = new char[10];
int length = reader.read(c);
for (int i = 0; i < length; i++) {
System.out.println(c[i]);
}
结果是什么?你
如果encoding =”8859_1″,结果是什么???两个字符,表示不认识。
反过来的例子自己做。

5.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。
例子代码:
String str = “你”;
FileWriter writer = new FileWriter(“text.txt”);
write.write(str);
writer.close();

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:
0000,0000 ,1100,0100 ,0000,0000 ,1110,0011
因为每个字符都大于7位,因此用11位编码:
1100,0001,1000,0100,1100,0011,1010,0011
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:
样例代码在中文平台上编译,生成zhclass
样例代码在英文平台上编译,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。

6.    其它原因:<%@?page?contentType=”text/html;?charset=GBK”?%>
设置浏览器的显示编码,如果response的数据是utf8编码,显示将是乱码,但是乱码和上述原因还不一样。

7.    发生编码的地方
?    从数据库到java程序 byte——〉char
?    从java程序到数据库 char——〉byte
?    从文件到java程序 byte——〉char
?    从java程序到文件 char——〉byte
?    从java程序到页面显示 char——〉byte
?    从页面form提交数据到java程序byte——〉char
?    从流到java程序byte——〉char
?    从java程序到流char——〉byte

谢志钢的解决方法:
我是使用配置过滤器的方法解决中文乱码的:

RequestFilter
net.golden.uirs.util.RequestFilter

charset
gb2312

RequestFilter
*.jsp

public void doFilter(ServletRequest req, ServletResponse res,
FilterChain fChain) throws IOException, ServletException {
HttpServletRequest request = (HttpServletRequest) req;
HttpServletResponse response = (HttpServletResponse) res;
HttpSession session = request.getSession();
String userId = (String) session.getAttribute(“userid”);
req.setCharacterEncoding(this.filterConfig.getInitParameter(“charset”)); // 设置字符集?
实际上是设置了byte ——〉char的encoding
try {
if (userId == null || userId.equals(“”)) {
if (!request.getRequestURL().toString().matches(
“.*/uirs/logon/logon(Controller){0,1}\\x2Ejsp$”)) {
session.invalidate();
response.sendRedirect(request.getContextPath() +
“/uirs/logon/logon.jsp”);
}
}
else { // 看看是否具有信息上报系统的权限
if (!net.golden.uirs.util.UirsChecker.check(userId, “信息上报系统”,
net.golden.uirs.util.UirsChecker.ACTION_DO)) {
if (!request.getRequestURL().toString().matches(
“.*/uirs/logon/logon(Controller){0,1}\\x2Ejsp$”)) {
response.sendRedirect(request.getContextPath() +
“/uirs/logon/logonController.jsp”);
}
}
}
}
catch (Exception ex) {
response.sendRedirect(request.getContextPath() +
“/uirs/logon/logon.jsp”);
}
fChain.doFilter(req, res);
}

我就是未分类

  1. No comments yet.
  1. No trackbacks yet.