再谈Java中文问题

核心提示：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，再谈Java中文问题，就连class文件也是，但是很多媒体，中文无法识别，因此会出现?? --在英文平台上，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

　　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); 
　　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<c.length;c++) 
　　　　　--{ 
　　　　　-- 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<b.length;c++) 
　　　　　--{ 
　　　　　-- 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<c.length;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  <