Java Servlet 中文乱码详解

Java Servlet 中文乱码详解

---

在进行Java web开发时，常常会遇到中文乱码问题，特地总结一下产生乱码的原因和解决方法。

URL地址中文乱码

一个完整的URL地址如图所示。
通常中文字符出现在URI或者QueryString部分，由于Tomcat服务器对URI和QueryString是分别解析的，所以下面分别介绍。

当URL地址中包含中文字符时，分两种情况，一是经过URL编码的，如“中文”二字经URL编码成为%E4%B8%AD%E6%96%87，二是未经URL编码的，如通过超链接或者sendRedirect()方法转向的另一个页面，其URL地址中包含明文中文。

URI中含有中文

我们以Tomcat服务器为例，该服务器默认以ISO-8859-1编码来解析URL地址，所以当URL地址的中文被服务器解析时会发生乱码。通过查看Tomcat源码可以知道，解析请求的 URL 是在 org.apache.coyote.HTTP11.InternalInputBuffer 的 parseRequestLine 方法中，这个方法把传过来的 URL 的 byte[] 设置到 org.apache.coyote.Request 的相应的属性中。这里的 URL 仍然是 byte 格式，转成 char 是在 org.apache.catalina.connector.CoyoteAdapter 的 convertURI 方法中完成的：

protected void convertURI(MessageBytes uri, Request request) throws Exception { 
        ByteChunk bc = uri.getByteChunk(); 
        int length = bc.getLength(); 
        CharChunk cc = uri.getCharChunk(); 
        cc.allocate(length, -1); 
        String enc = connector.getURIEncoding(); 
        if (enc != null) { 
            B2CConverter conv = request.getURIConverter(); 
            try { 
                if (conv == null) { 
                    conv = new B2CConverter(enc); 
                    request.setURIConverter(conv); 
                } 
            } catch (IOException e) {...} 
            if (conv != null) { 
                try { 
                    conv.convert(bc, cc, cc.getBuffer().length - 
 cc.getEnd()); 
                    uri.setChars(cc.getBuffer(), cc.getStart(), 
 cc.getLength()); 
                    return; 
                } catch (IOException e) {...} 
            } 
        } 
        // Default encoding: fast conversion 
        byte[] bbuf = bc.getBuffer(); 
        char[] cbuf = cc.getBuffer(); 
        int start = bc.getStart(); 
        for (int i = 0; i < length; i++) { 
            cbuf[i] = (char) (bbuf[i + start] & 0xff); 
        } 
        uri.setChars(cbuf, 0, length); 
 }

从上面的代码中可以知道对 URL 的 URI 部分进行解码的字符集是在 Connector 的 <Connector URIEncoding=”UTF-8”/> 属性中定义的，如果没有定义，那么将以默认编码 ISO-8859-1 解析。

因此，当URI含有中文时，可以通过设置URIEncoding属性解决乱码问题。

QueryString中含有中文

通过查看源码可知，GET 方式 HTTP 请求的 QueryString 与 POST 方式 HTTP 请求的表单参数都是作为 Parameters 保存，都是通过 request.getParameter 获取参数值。对它们的解码是在 request.getParameter 方法第一次被调用时进行的。
而request.getParameter方法又调用了org.apache.catalina.connector.Request 的 parseParameters 方法，如图所示：

注意到红线圈起的语句，getCharacterEncoding()方法返回Parameters的编码格式。我们进入这个方法：

可以看到，编码格式保存在charEncoding变量中，如果该变量为空，则从ContentType中读取charset值进行设置。

我们知道，Request有一个方法request.setCharacterEncoding(“编码格式”)，如图所示，该方法就是设置charEncoding的值。

所以，对于QueryString中含有中文的情况，可以通过request.setCharacterEncoding方法改变默认的编码格式。

另一方面，如果没有定义charEncoding，则从ContentType中读取charset值进行设置，还要设置 Connector 节点中的useBodyEncodingForURI 设置为 true。这时，服务器会根据请求header的charset属性进行解码，从而解决了用get方式传输表单的中文误码问题。

useBodyEncodingForURI这个配置项的名字有点让人产生混淆，它并不是对整个 URI 都采用 BodyEncoding 进行解码而仅仅是对 QueryString 使用 BodyEncoding 解码，这一点还要特别注意。

值得注意的是，很多情况下如通过超链接传中文参数给另一个Servlet，此时Header里面是没有charset属性的，所以以默认编码解析时会发生乱码。解决这种问题，只能使用request.setCharacterEncoding来设定接收时的编码格式。

综上所述，由于Tomcat服务器对URI和QueryString分别解析，所以出现乱码的原因有很多，在实际开发中尽量避免用中文。解决措施有：

1.调用request.setCharacterEncoding()方法
2.在connector 中设置 URIEncoding=”UTF-8”和 useBodyEncodingForURI=”true”，同时要保证请求的Header中包含charset属性

URL编码

中文的乱码问题本质上是编码和解码的不一致导致的，因此一种更加方便简单的方法是把中文再经过URL编码，变成纯Ascii码在网络中传播，然后接收时再经过URL解码恢复中文。

即调用URLEncoder.encode(params,”utf-8”)进行编码，调用URLDecoder.decode(params,”utf-8”)进行解码。其中第一个参数是中文的字符，第二个参数是使用的编码格式。

HTTP Header 的编解码

当客户端发起一个 HTTP 请求除了上面的 URL 外还可能会在 Header 中传递其它参数如 Cookie、redirectPath 等，这些用户设置的值很可能也会存在编码问题，Tomcat 对它们又是怎么解码的呢？

对 Header 中的项进行解码也是在调用 request.getHeader 是进行的，如果请求的 Header 项没有解码则调用 MessageBytes 的 toString 方法，这个方法将从 byte 到 char 的转化使用的默认编码也是 ISO-8859-1，而我们也不能设置 Header 的其它解码格式，所以如果你设置 Header 中有非 ASCII 字符解码肯定会有乱码。

我们在添加 Header 时也是同样的道理，不要在 Header 中传递非 ASCII 字符，如果一定要传递的话，我们可以先将这些字符用 org.apache.catalina.util.URLEncoder 编码然后再添加到 Header 中，这样在浏览器到服务器的传递过程中就不会丢失信息了，如果我们要访问这些项时再按照相应的字符集解码就好了。

特别注意，当调用sendRedirect()方法时，实际上是调用了setHeader方法设置了Location属性，所以此时的路径中不能出现中文，否则Tomcat服务器会以默认编码来解析，从而发生误码。如果一定要用中文，则要经过URL编码。

一个不推荐的解决乱码方法

由于大部分的乱码是由服务器以默认ISO-8859-1格式解析造成的，所以在我们通过 request.getParameter 获取参数值时，当我们直接调用

String value = request.getParameter(name);

会出现乱码，但是如果用下面的方式

String value = new String(request.getParameter(name).getBytes("ISO-8859-1"),"utf-8");

解析时取得的 value 会是正确的汉字字符。这是因为先把ISO-8859-1编码后的乱码重新变回字节流，再通过utf-8解码得到的正确字符。然而这种方法并不推荐，因为服务器先进行了一次错误的译码，影响性能。

---

参考文章：深入分析 Java 中的中文编码问题