java/jsp中中文问题详解 -pc6资讯

您的位置：首页 → 网页设计 → JSP技巧 → java/jsp中中文问题详解

java/jsp中中文问题详解 时间：2004/11/7 3:36:00来源：本站整理作者：蓝点我要评论(0): 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
　　　　　--{

　　　　　-- System.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
　　　　　--{

　　　　　-- System.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;i
----System.out.println(c[i]);

　　--如果encoding是gb2312，则只有一个字符，如果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。

　一个例子：

　--public void test()

　--{

　----String str="你";

　----FileWriter write=new FileWriter("test.txt");

　----write.write(str);

　----write.close();

　--}

　----例３

--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：

--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

----

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<%=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

--------------------------------------------------------------------------------

1.网页传参数不提倡用get方法,而且用户可以调整是否用utf-8发送

2.建议jsp中最好不要用,实际上加不加这句都有实现中文正常显示的方案,我认为不加方便些,至少不用写这些代码,如下的配置我认为可以使中文正常显示:

a.所有的javabean用iso8859-1编译

b.jsp文件中不要写以上charset=gb2312的语句(写了反而错)

在tomcat情况下注意以上2点就行---了,等等,对于其他有可能不行的jsp服务器,加上以下

c.服务器上的操作系统语言设为英文(像没有装类似bluepoint中文系统的linux一般本来就是英文)

就行---了

谁要是还不对,请报告....

Re：必读好文,但解决方案不敢恭维

--------------------------------------------------------------------------------

Tomcat的参数问题无论是GET或是POST方式都是用8859_1编码的。这个可以看Tomcat Servlet实现的源代码:

a) 对于POST方法

　javax.servlet.http.HttpUtils的parsePostData方法： (对于POST的Form数据)

　String postedBody = new String(postedBytes, 0, len, "8859_1");)这里是没有问题的因为中文都会用%来说明。但是parseName这个函数，却没有把是中文的东西整合起来，他只是简单的拼凑，因此可以认定他是使用8859_1的编码规则

　 sb.append((char) Integer.parseInt(s.substring(i+1, i+3), 16));

----　　i += 2;

--

b) 对于GET方法

　org.apache.tomcat.service.http.HttpRequestAdapter

　　　--　line=new String(buf, 0, count,

　　　　　　 Constants.CharacterEncoding.Default);

----Constants.CharacterEncoding.Default=8859_1

　这段代码不好跟踪，千万不要被一些假象迷惑住。HttpRequestAdapter是从RequestImpl中派生的。但是，实际上用8080端口的Server并没有直接用到RequestImpl，而是用了HttpRequestAdapter来获得queryString

对于加不加encoding，我保留我的意见，因为如果要解决上传文件分页问题，必须要用他来编码。而且编码能保证在一些Beans当中的传递性。

看来我要在这里说明一下了

--------------------------------------------------------------------------------

Tomcat仅仅是一个对jsp1.1,servlet2.2的一个标准的实现,我们不应该要求这个免费软件在细致末节上和性能上都面面俱到,它主要考虑的英文用户,这也是为什么不作特殊转换我们的汉字用url方法传递有问题的原因,我们大部分浏览器ie其高级设置中始终以utf-8发送url的选项缺省是选上的,如果说这是tomcat的bug也是可以的,另外Tomcat不管当前的操作系统是什么语言,好像都按iso8859去编译jsp,我觉得也有点欠妥,但是不管怎么说,新标准的实现和热门的软件在语言的支持方面永远都是先考虑英文

我的方案什么说要好一些呢

1.还是那句话,英文国家的软件永远都是先考虑英文,java虚拟机的规范中要求虚拟机内部必须实现iso8859,unicode,UTF-8三种,其他的不作要求,我们用的jdk中的虚拟机就是这样,嵌入式的就更不用说了,也就是说其他的ENCODE都很可能不是java虚拟机内部直接支持的,我们的中文自然也不在其列,需要外部的包支持转换,sun jdk应该在i18n.jar中,用iso8859速度最快,不需要其它调用和交换什么的,更没有读包的io操作

2.至少少写了代码,没有额外操作,简洁的风格谁不喜欢

3.所写的jsp页面国际性化好,我才写了一个jsp+javabeans的聊天室软件(没有用到servlet,jsp真的确实很好),同样的程序美国人用他们的浏览器进入就是英文界面,中文进入就是中文界面,如果加上charset=gb2312至少很麻烦

4.限定了gb2312,如果用户要用GBK,怎么办,不加更好,不管什么的字符集,只要我当前浏览器设定的是,我就能显示出来

总结:无论从速度上,开发效率上,和可扩展性上考虑,我的方案都比你的好,另外,我找不到你的方案比我的好的地方.