前面说到,文本文件中没有编码信息,导致了各种混乱,那么,最关键的就是要指定好所用的编码信息。具体地讲,有以下一些途径。
变相引入
什么是变相引入呢?其实本质与前面提到的一些“文件头”信息是类似的。
xml
我们来看看xml文件的例子,你通常能在最开始看到这样的一行:
<?xml version="1.0" encoding="UTF-8"?>
那么这里面,encoding指明的就是所用编码的信息了。
可是,等等!!为了得到这一编码信息,我得先读取这一文件;可要正确读取文件,我又要先知道编码信息!
这成了一个鸡生蛋,蛋生鸡,又或者说是先有鸡还是先有蛋的问题了。
怎么破呢?考虑这一行信息所有字符都是ASCII中的字符,那么我们可以先使用最基础的ASCII去读取它开头的一些信息,获取到这一编码信息后,再次用这一编码去读取文件即可。
ASCII可谓是这样一个始祖鸟或者始祖蛋一样的存在。
可以动动手做些实验,先建立一个xml文件,比如就叫foo.xml
内容如下:
<?xml version="1.0" encoding="UTF-8"?>
<foo>向我开炮</foo>
然后初步测试读取编码信息
package org.jcc.core.encode;
import static org.assertj.core.api.Assertions.assertThat;
import java.io.File;
import java.nio.charset.StandardCharsets;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import org.apache.commons.io.FileUtils;
import org.junit.Test;
public class EncodingDetectTest {
@Test
public void testEncodingDetect() throws Exception {
File foo = FileUtils.toFile(getClass().getResource("/foo.xml"));
// 以ASCII方式读取文件
String content = FileUtils.readFileToString(foo, StandardCharsets.US_ASCII);
// 匹配到首行,并用group方式抓取编码的值
Pattern headerPattern = Pattern.compile("<\\?xml[\\s\\S]*encoding=\"([^\"]*)\"\\?>");
Matcher headerMatcher = headerPattern.matcher(content);
assertThat(headerMatcher.find()).isTrue();
assertThat(headerMatcher.group(1)).isEqualTo("UTF-8");
// 匹配foo节点中的内容“向我开炮”
Pattern fooPattern = Pattern.compile("<foo>([\\s\\S]*)</foo>");
Matcher fooMatcher = fooPattern.matcher(content);
assertThat(fooMatcher.find()).isTrue();
// 四个UTF-8字符,每个三字节,共12字节.
// 由于最高位都为1,都不是有效的ASCII字节,最终被替换成了12个�(见乱码探源2中的介绍)
assertThat(fooMatcher.group(1)).isEqualTo("������������");
}
}
注:仅为演示用,就写得比较粗糙了。比如直接就把全部内容读取上来了,精细一点应该是读取一行或者读取到所需信息就行了。正则表达式也还可以写得更严谨些。
之后就可以进一步测试了:
@Test
public void testRereadUsingDetectedEncoding() throws Exception {
File foo = FileUtils.toFile(getClass().getResource("/foo.xml"));
// 获取xml中的编码信息
String encoding = getXmlEncoding(foo);
// 使用检测到的编码再次读取文件
String content = FileUtils.readFileToString(foo, encoding);
// 这次,内容正确了。
assertThat(getTextInFooNode(content)).isEqualTo("向我开炮");
}
private String getXmlEncoding(File foo) throws Exception {
String content = FileUtils.readFileToString(foo, StandardCharsets.US_ASCII);
Pattern headerPattern = Pattern.compile("<\\?xml[\\s\\S]*encoding=\"([^\"]*)\"\\?>");
Matcher headerMatcher = headerPattern.matcher(content);
headerMatcher.find();
return headerMatcher.group(1);
}
private String getTextInFooNode(String content) {
Pattern fooPattern = Pattern.compile("<foo>([\\s\\S]*)</foo>");
Matcher fooMatcher = fooPattern.matcher(content);
fooMatcher.find();
return fooMatcher.group(1);
}
这次内容正常了,表明我们的策略是可行的。
html,jsp
像Html文件也常常会这样去引入一些编码的信息,如在header里常会包括以下元信息:
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
又或者是像这样:
<meta charset="UTF-8">
智能一点的文本编辑器还会根据这一信息来作为保存时的编码。比如在Eclipse中,如果设定了用ISO-8859-1编码,又同时录入了中文,还会出现保存时的警告:
自然,像记事本这样傻乎乎的编辑器就没有这么贴心了。这时,保持宣称编码与实际保存用的编码一致就是源文件作者的责任了,否则可能不但没有帮助还会误导编辑器。
ruby,python
像ruby,python之类的语言有时会在文件头加上如下声明:
# -*- coding: utf-8 -*-
那么,这也算是变相引入的编码信息。自然,这需要相应的源码编辑器及编译(解释)器的支持。
但是,像java这样的语言似乎没有这样的约定,那么要怎样才能尽可能避免出错呢?
外部指定
既然没有编码信息,又不打算用变相的方式指定,那么靠谱的方式就是外部显式指定了。
假如没有编码信息?
假如我们用UTF-8编码一个java源文件:
然后在cmd下用javac命令手动编译并执行:
我们发现乱码了,没有输出“你好”,而是三个怪字。原因实际上就是javac编译器用了缺省的编码,在Windows平台,也就是GBK去读取源文件。
“你好”两个字按UTF-8一个字三个字节,总共6个字节,而按GBK去解码,则两字节一个字,最终成为三个字。
注:也即生成的class文件就已经是有缺陷的了。
明确引入编码参数
纠正的方法也很简单,就是在编译时显式指定所用的编码:
javac -encoding utf-8 Foo.java
在加了“encoding”参数后再编译,就能正确的读取源文件从而生成正确的class文件,
注:如果你观察一下新生成的class文件,会比原来的小3个字节。这与class文件中所使用的“modified UTF-8”编码方式有关,可参考前面乱码探源1中的介绍。
再次执行,就正常了:
在工程中指定
每次编译时都要去指定这一编码是件很繁琐的事,通常是对一整个工程在一开始就设置一个明确的编码。
比如对于一个Eclipse下的工程,我们可以在工程属性里指定一个编码,比如用UTF-8:
这样之后,新建的文本文件如各种源代码文件都会使用这一编码。而当要编译时,也会使用这一编码去读取源文件。
当然,如果我们从外部引入一些文件,编码是不会自动转换的。
比如引入一些css文件,话说天下css一大抄,你可能是从某网站直接抓取来的,而很多网站由于历史等原因可能还是用GBK等编码。
这时你需要手工转换一下编码,或者用一些批量转换的工具(如果数量很多的话)
手工转的话,比如可以在记事本中先正确打开它,再拷贝到工程中的一个新建文件再保存。
注:编辑时,内容在内存中都是转换成了统一的编码(在Windows下,就是UTF-16),所以不同编码的文件间互相拷贝也是OK的,只是保存时才再次转换成相应的编码。
在构建文件中指定
也可以在构建文件中指定源文件的编码,比如java中用maven时可以这样指定:
<project>
// ...
<properties>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
</properties>
// ...
</project>
如果你用的是ant或者gradle之类的,也可自行查查文档要如何设置。至于其它语言平台的构建平台,如grunt,make之类,读者可自行去了解。
总而言之,越是明确地设置了编码,才越能避免混乱的出现。
在下一篇,我们再谈下在内存中的编码及相关的string,字节流及字符流的话题。