java w3c解析xml乱码_Java编码问题原因以及解决

一、文件编码

Unicode 是首选编码。Unicode 是全球范围的字符编码标准。

小结： GBK 与unicode之间的转换是通过gbk unicode映射表。

UTF-8 与unicode之间的转换是通过转换规则公式

所以说，unicode是核心中介。Gbk要转换成utf-8的话，先转成unicode。然后unicode再转换成utf-8；反之亦然。

二、XML编码问题

★ 编码属性应当被指定为文档被保存时所使用的编码

★ encoding声明的编码属性

★ W3C定义了三条XML解析器如何正确读取XML文件的编码的规则：

1.如果文挡有BOM(字节顺序标记，一般来说，如果保存为unicode格式，则包含BOM，ANSI则无)，

就定义了文件编码(另存为文件时，选择的编码格式)。

2.如果没有BOM，就查看XML encoding声明的编码属性。

3.如果上述两个都没有，就假定XML文挡采用UTF-8编码

★Eclipse等编辑器会根据XML encoding声明的编码属性来保存文件。

★移除无效的XML字符

/**   * 移除无效的XML字符

* 官方定义了XML的无效字符分为三段：      0x00 - 0x08      0x0b - 0x0c      0x0e - 0x1f

* @param value

* @return   */

public static String removeInvalidXMLCharacter(String value)     {

return value.replaceAll("[\\x00-\\x08\\x0b-\\x0c\\x0e-\\x1f]", "");

}

三、String编码问题

★ 对于 String s = "你好哦!";的理解。

1、如果源码文件是GBK编码, 操作系统(windows)默认的环境编码为GBK，那么编译时,JVM将 按照GBK编码将字节数组解析成字符，然后将字符转换为unicode格式的字节数组，作为内部存储。

如果源码文件是UTF-8编码, 我们需要通知编译器源码的格式，javac -encoding utf-8 ... ,编译时，JVM按照utf-8 解析成字符，然后转换为unicode格式的字节数组，

那么不论源码文件是什么格式，同样的字符串，最后得到的unicode字节数组是完全一致的，显示的时候，也是转成GBK来显示(跟OS环境有关)

2、System.out.println( new String(s.getBytes(),"UTF-8"));     //错误，因为getBytes()默认使用GBK编码， 而解析时使用UTF-8编码，肯定出错。

★如何正确的将GBK转UTF-8 ? (实际上是unicode转UTF-8)

注意：并不算new String( s.getBytes("GBK") , "UTF-8);//源码文件是GBK格式，或者这个字符串是从GBK文件中读取出来的, 转换为string 变成unicode格式

//字符串在内存中是unicode格式

String gbkStr = "你好哦!";

//利用getBytes将unicode字符串转成UTF-8格式的字节数组

byte[] utf8Bytes = gbkStr.getBytes("UTF-8");

//然后用utf-8 对这个字节数组解码成新的字符串

String utf8Str = new String(utf8Bytes, "UTF-8");

即：new String( s.getBytes("utf-8") , "utf-8");

★new String(s.getBytes("iso-8859-1") ,"GBK")

一般用来转换原来是GBK编码的，被转换成了iso-8859-1，现在恢复回GBK。

注意：并不是所有转换都是可逆的，iso-8859-1的字节数组是单字节的，所以能转换。

★读写时，可以指定编码

四、JAVA编码问题

★文件加载

java文件编码格式：默认与操作系统一致，但可修改。

编译成Class文件：class文件的编码固定为UTF-8

load class文件到JVM ：Unicode

内存：Unicode

理解：不管文件的编码格式是什么，加载到JVM都是一样的。

★网络传输都是以字节为单位，所以所有的数据都必须能够被序列化为字节。在 Java 中数据被序列化必须继承 Serializable 接口。

★从网络中读取资源文件的时候，无论当前java文件编码为何值，得到的一个个字节只与读取的资源文件保存的编码有关。

★对于读取网络资源乱码问题，如果能够知道资源的编码格式，只需要在转成字符串的过程中使用这种编码就行。

所以，关键问题落在了判断资源文件编码方式是那种。

五、encodeURI与encodeURIComponent 与 escape

★对于不同浏览器编码有些不同，所以需要编码。两者都是使用UTF-8编码规则来编的

★区别 ：

encodeURI用于整个URL ，对于url里面的预留符号等不进行编码；

encodeURIComponent用于参数段，编码更彻底：url里面的预留符号等会编码；

escape用于对字符串进行编码，不适用于URL。escape的0-255以外的unicode值进行编码时输出%u****格式，其它情况下escape，encodeURI，encodeURIComponent编码结果相同

★ escape/unescape、encodeURI/decodeURI、encodeURIComponent/decodeURIComponent 主要的区别还有不编码的字符个数。

1)escape不编码的字符有69个

*、+、-、.、/、@、_、0～9、a～z、A～Z而且escape对0～255以外的unicode值进行编码时输出%u****格式。

2)encodeURI不编码的字符有82个

!、#、$、&、'、(、)、*、+、,、-、.、/、:、;、=、?、@、_、~、0～9、a～z、A～Z

3)encodeURIComponent不编码的字符有71个

!、'、(、)、*、-、.、_、~、0～9、a～z、A～Z

★对URL中的中文参数需要两次编码的问题。

(1)如果服务器的编码是UTF-8，那么下面是不会出现乱码的。否则，出现乱码。

前端：var url1=encodeURI(url);

后台：String name=request.getParameter("name");

(2)不管服务器编码，都不会出现乱码

前端：url1=encodeURI(url);把url中的中文编为ASCII码。

url2=encodeURI(url1);对ASCII码进行编码

后台：//这里tomcat自动解码。tomcat的配置文件没设置，那么默认是ISO-8859-1

String name1=request.getParameter("name");

String name2 = java.net.URLDecoder.decode(name1,"UTF-8");

不管是按 GBK 还是 UTF-8 还是 ISO-8859-1 都好，都能够正确的得到url1。因为ASCII码的编码用GBK、UTF-8、ISO-8859-1编码的结果是相同的。

★对于POST提交数据，浏览器会根据网页的ContentType("text/html; charset=GBK")中指定的编码进行对表单中的数据进行编码。

服务端：request.setCharacterEncoding()设置编码，然后通过request.getParameter获得正确的数

六、JAVA中的乱码

★浏览器用utf-8解析：

(手动)==> 在浏览器中右键选择编码格式为utf-8

(智能)==> 在文件中写入如：

通过标签模拟response头，起到告诉浏览器用utf-8的编码解析

(智能)==> response.setContentType("text/html;charset=utf-8");

或 response.setHeader("content-type","text/html;charset=UTF-8");

或 response.getOutputStream().write("".getBytes());

目的是为了控制浏览器的行为，即控制浏览器用UTF-8进行解码

常用：

或

★response.setCharacterEncoding("UTF-8"); 设置的是response存储数据的码表。目的是用于response.getWriter()输出的字符流的编码。

如果是response.getOutputStream()是不需要此种解决方案的，因为这句话的意思是为了将response对象中的数据以UTF-8解码后的字节流发向浏览器

★response.setContentType("text/html;charset=utf-8");内部也调用了setCharacterEncoding方法，相当于setCharacterEncoding("UTF-8");和setHeader("content-type","text/html;charset=UTF-8");

★response.setCharacterEncoding可以覆盖之前的response.setContentType

★ 1.IE和WEB服务器默认通过ISO-8859-1进行编码，可以使用setCharacterEncoding是设置字符的编码

2.URL默认只支持ISO-8859-1

★ Get请求：参数QueryString内容默认解码方式问ISO8859-1，而且使用request.setCharacterEncoding("utf-8")也无法解决问题。

1.修改tomcat服务器的配置文件节点 URIEncoding="utf-8"

2.如果没有设置URIEncoding，那么使用new String(username.getBytes("ISO-8859-1"),"UTF-8");

3. useBodyEncodingForURI=”true”：使用Header中ContentType中定义的Charset

★url、cookie、ajax get请求，一般用URLEncoder，对于url参数需要两次编码

★ Post请求 request.setCharacterEncoding("UTF-8"); 只对Post请求有效

七、JAVA在Linux中生成的文件出现文件名乱码的问题

原因：sun.jnu.encoding和liunx系统编码不一致。

1. java启动的所有环境变量：

ps -ef|grep xxxx 获取pid

jinfo pid 查看所有环境变量，其中就有：

file.encoding = GBK

user.country = CN

sun.jnu.encoding = GB2312

user.timezone = Asia/Shanghai

2. 如果启动命令没有指定这些参数，那会受到

cd ~用户目录下的.bash_profile文件中配置的字符集编码等影响。

3. 查看系统的语言和字符命令：echo $LANG  或 locale

System.out.println("user.language = "+System.getProperty("user.language"));

System.out.println("user.country = "+System.getProperty("user.country"));

System.out.println("user.region = "+System.getProperty("user.region"));//查看当前系统的字符编码方式

System.out.println("Charset.defaultCharset().name() = "+Charset.defaultCharset().name());//查看当前系统的编码方式

System.out.println("file.encoding = "+System.getProperty("file.encoding"));

System.out.println("sun.jnu.encoding = "+System.getProperty("sun.jnu.encoding"));