H5W3
当前位置:H5W3 > 其他技术问题 > 正文

Java中文问题详解,底层编码解剖

  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);  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    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++)  –{  – ***.out.println(Integer.toHexString(c[i]));  –}  –打印出来是0x4F60  –但是如果使用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++)  –{  – ***.out.println(Integer.toHexString(b[i]));  –}  –打印出来是:0xC4,0xE3  —-例2  –如果用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,如果使用不同的编码,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);  —-  —-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  –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;i0xC4,0x00E3->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:  如果你在NT底下,最简单的方法就是欺骗java,不加任何Encoding变量:    你好      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:      你好    

本文地址:H5W3 » Java中文问题详解,底层编码解剖

评论 0

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址