java-Java中文问题详解,底层编码解剖

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;i<c.length;i++) 　　***.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"?".

　　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首先看一下你的页面中有没有"<%@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：

<html> 　　你好<%=request.getParameter("value")%> 　　</html> 　　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" %> 　　<html> 　　你好<%=new String(request.getParameter("value").getBytes("8859_1")，"gb2312")%> 　　</html>