java中中文问题详解

核心提示：预备知识： 1.字节和unicode java内核是unicode的，就连class文件也是，java中中文问题详解，但是很多媒体，包括文件/流的保存方式 是使用字节流的，最简单的方法就是欺骗java,不加任何Encoding变量： 你好<%=request.getParameter("value&q

　　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);
　　　　假如你不指定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
　　　　　　　--但是假如使用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
　　　　　　　　--假如用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，假如使用不同的编码，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);　　----
　　　　----假如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]);
　　　　--假如encoding是gb2312，则只有一个字符，假如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
　　　 我们经常没有用到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。
　　　 假如没有指定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
　　--假如用gb2312编译，你会找到E4 BD A0的字段
　　--
　　--假如用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。
　　　--但是假如是在英文平台下，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"<%@page include的符号。有，则在相同
　　--地方设定response.setContentType(..);按照encoding的来读，没有他按照8859_1
　　--读取文件，然后用UTF-8写成.java文件，然后用sun.tools.Main去读取这个文件，
　　--（当然它使用UTF-8去读），然后编译成class文件
　　--setContentType改变的是out的属性，out变量缺省的encoding是8859_1
　　
　　2.对Parameter的解释
　　--很不幸Parameter只有ISO8859_1的解释，这个质料可以在servlet的实现代码中找到。
　　
　　3.对include的解释
　　格式的，但是很不幸，由于那个写"org.apache.jasper.compiler.Parser"的人
　　在数组JspUtil.ValidAttribute[]忘记加了一个参数：encoding,因此导致不支
　　持这种方式。你完全可以编译源代码，加上对encoding的支持
　　
　　总结：
　　
　　假如你在NT底下，最简单的方法就是欺骗java,不加任何Encoding变量：
　　
　　你好<%=request.getParameter("value")%>
　　
　　
　　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：
　　<%@ page contentType="text/html;charset=gb2312" %>
　　
　　你好<%=new String(request.getParameter("value").getBytes("8859_1"),"gb2312")%>
　　
　　
　　
　　必读好文,但解决方案不敢恭维