java中文字符怎么保证出现正确_JAVA中文字符编码问题详解
JAVA中文字符編碼問題詳解
JAVA的中文字符亂碼問題一直很讓人頭疼。特別是在WEB應用中。網上的分析文章和解決方案都很多，但總是針對某些特定情況的。很多次遇到亂碼問題后，經過極為辛苦的調試和搜索資料后終于解決，滿以為自己已經掌握了對付這些字符亂碼怪獸的訣竅。可當過段時間，換了個應用或換了個環境，又會碰到那討厭的火星文，并再次無所適從。于是下決心好好整理一下中文字符編碼問題，以方便自己記憶，也為其他程序員兄弟們提供一份參考。
首先要了解JAVA處理字符的原理。JAVA使用UNICODE來存儲字符數據，處理字符時通常有三個步驟：
-
按指定的字符編碼形式，從源輸入流中讀取字符數據
-
以UNICODE編碼形式將字符數據存儲在內存中
-
按指定的字符編碼形式，將字符數據編碼并寫入目的輸出流中。
所以JAVA處理字符時總是經過了兩次編碼轉換，一次是從指定編碼轉換為UNICODE編碼，一次是從UNICODE編碼轉換為指定編碼。如果在讀入時用錯誤的形式解碼字符，則內存存儲的是錯誤的UNICODE字符。而從最初文件中讀出的字符數據，到最終在屏幕終端顯示這些字符，期間經過了應用程序的多次轉換。如果中間某次字符處理，用錯誤的編碼方式解碼了從輸入流讀取的字符數據，或用錯誤的編碼方式將字符寫入輸出流，則下一個字符數據的接收者就會編解碼出錯，從而導致最終顯示亂碼。
這一點，是我們分析字符編碼問題以及解決問題的指導思想。
好，現在我們開始一只只的解決這些亂碼怪獸。
一、在JAVA文件中硬編碼中文字符，在eclipse中運行，控制臺輸出了亂碼。
例如，我們在JAVA文件中寫入以下代碼：
String text
= "大家好";
System.out.println(text);
如果我們是在eclipse里編譯運行，可能看到的結果是類似這樣的亂碼：��?�。那么，這是為什么呢？
我們先來看看整個字符的轉換過程。
1.
在eclipse窗口中輸入中文字符，并保存成UTF-8的JAVA文件。這里發生了多次字符編碼轉換。不過因為我們相信eclipse的正確性，所以我們不用分析其中的過程，只需要相信保存下的JAVA文件確實是UTF-8格式。
2.
在eclipse中編譯運行此JAVA文件。這里有必要詳細分析一下編譯和運行時的字符編碼轉換。
-
編譯：我們用javac編譯JAVA文件時，javac不會智能到猜出你所要編譯的文件是什么編碼類型的，所以它需要指定讀取文件所用的編碼類型。默認javac使用平臺缺省的字符編碼類型來解析JAVA文件。平臺缺省編碼是操作系統決定的，我們使用的是中文操作系統，語言區域設置通常都是中國大陸，所以平臺缺省編碼類型通常是GBK。這個編碼類型我們可以在JAVA中使用System.getProperty("file.encoding")來查看。所以javac會默認使用GBK來解析JAVA文件。如果我們要改變javac所用的編碼類型，就要加上-encoding參數，如javac
-encoding utf-8 Test.java。
這里要另外提一下的是eclipse使用的是內置的編譯器，并不能添加參數，如果要為javac添加參數則建議使用ANT來編譯。不過這并非出現亂碼的原因，因為eclipse可以為每個JAVA文件設置字符編碼類型，而內置編譯器會根據此設置來編譯JAVA文件。
-
運行：編譯后字符數據會以UNICODE格式存入字節碼文件中。然后eclipse會調用java命令來運行此字節碼文件。因為字節碼中的字符總是UNICODE格式，所以java讀取字節碼文件并沒有編碼轉換過程。虛擬機讀取文件后，字符數據便以UNICODE格式存儲在內存中了。
3. 調用System.out.println來輸出字符。這里又發生了字符編碼轉換。
System.out.println使用了PrintStream類來輸出字符數據至控制臺。PrintStream會使用平臺缺省的編碼方式來輸出字符。我們的中文系統上缺省方式為GBK，所以內存中的UNICODE字符被轉碼成了GBK格式，并送到了操作系統的輸出服務中。因為我們操作系統是中文系統，所以往終端顯示設備上打印字符時使用的也是GBK編碼。如果到這一步，我們的字符其實不再是GBK編碼的話，終端就會顯示出亂碼。
那么，在eclipse運行帶中文字符的JAVA文件，控制臺顯示了亂碼，是在哪一步轉換錯誤呢？我們一步步來分析。
- 保存JAVA文件成UTF-8后，如果再次打開你沒有看到亂碼，說明這步是正確的。
- 用eclipse本身來編譯運行JAVA文件，應該沒有問題。
-
System.out.println會把內存中正確的UNICODE字符編碼成GBK，然后發到eclipse的控制臺去。等等，我們看到在Run
Configuration對話框的Common標簽里，控制臺的字符編碼被設置成了UTF-8！問題就在這里。System.out.println已經把字符編碼成了GBK，而控制臺仍然以UTF-8的格式讀取字符，自然會出現亂碼。
將控制臺的字符編碼設置為GBK，亂碼問題解決。
(這里補充一點：eclipse的控制臺編碼是繼承了workspace的設置的，通常控制臺編碼里沒有GBK的選項而且不能輸入。我們可以先在workspace的編碼設置中輸入GBK，然后在控制臺的設置中就可以看到GBK的選項了，設置好后再把workspace的字符編碼設置改回utf-8就是。)
二、JSP文件中硬編碼中文字符，在瀏覽器上顯示亂碼。
我們用eclipse編寫一個JSP頁面，使用tomcat瀏覽這個頁面時，整個頁面的中文字符都是亂碼。這是什么原因呢？
JSP頁面從編寫到在瀏覽器上瀏覽，總共有四次字符編解碼。
1.
以某種字符編碼保存JSP文件
2.
Tomcat以指定編碼來讀取JSP文件并編譯
3.
Tomcat向瀏覽器以指定編碼來發送HTML內容
4.
瀏覽器以指定編碼解析HTML內容
這里的四次字符編解碼，有一次發生錯誤最終顯示的就會是亂碼。我們依次來分析各次的字符編碼是如何設置的。
-
保存JSP文件，這是在編輯器中設置的，比如eclipse中，設置文件字符類型為utf-8。
-
JSP文件開頭的
contentType="text/html; charset=utf-8"
pageEncoding="utf-8"%>，其中pageEncoding用來告訴tomcat此文件所用的字符編碼。這個編碼應該與eclipse保存文件用的編碼一致。Tomcat以此編碼方式來讀取JSP文件并編譯。
-
page標簽中的contentType用來設置tomcat往瀏覽器發送HTML內容所使用的編碼。這個編碼會在HTTP響應頭中指定以通知瀏覽器。
-
瀏覽器根據HTTP響應頭中指定的字符編碼來解析HTML內容。如：
HTTP/1.1 200 OK
Date: Mon, 01 Sep 2008 23:13:31 GMT
Server: Apache/2.2.4 (Win32) mod_jk/1.2.26
Vary: Host,Accept-Encoding
Set-Cookie: JAVA2000_STYLE_ID=1; Domain=www.java2000.net;
Expires=Thu, 03-Nov-2011 09:00:10 GMT; Path=/
Content-Encoding: gzip
Transfer-Encoding: chunked
Content-Type: text/html;charset=UTF-8
另外，HTML中有個標簽
content="text/html;
charset=UTF-8">中也指定了charset。不過這個字符編碼只有在當網頁保存在本地作為靜態網頁時有效，因為沒有HTTP頭，所以瀏覽器根據此標簽來識別HTML內容的編碼方式。
現在在JSP文件中硬編碼出現亂碼的機會比較小了，因為大家都用了如eclipse的編輯器，基本上可以自動保證這幾個編碼設置的正確性。現在更多碰到的是在JSP文件中從其他數據源中讀取中文字符所產生的亂碼問題。
三、在JSP文件中讀取字符文件并在頁面中顯示，中文字符顯示為亂碼。
比如，我們在JSP文件中使用以下代碼：
BufferedReader reader = new BufferedReader(new
FileReader("D:\\test.txt"));
String content = reader.readLine();
reader.close();
%>
test.txt里保存的是中文字符，但在瀏覽器上看到的亂碼。這是個經常見到的問題。我們繼續用之前的方法一步步來分析輸入和輸出流
1. test.txt是以某種編碼方式保存中文字符，比如UTF-8。
2.
BufferedReader直接讀取test.txt的字節內容并以默認方式構造字符串。分析BufferedReader的代碼，我們可以看到BufferedReader調用了FileReader的read方法，而FileReader又調用了FileInputStream的native的read方法。所謂native的方法，就是操作系統底層方法。那么我們操作系統是中文系統，所以FileInputStream默認用GBK方式讀取文件。因為我們保存test.txt用的是UTF-8，所以在這里讀取文件內容使用GBK是錯誤的編碼。
3.
其實就是out.print(content)，這里又用到了HTTP的輸出流JspWriter，于是字符串content又被以JSP的page標簽中指定的UTF-8方式編碼成字節數組被發送到瀏覽器端。
4.
瀏覽器以HTTP頭中指定的方式解碼字符，這時無論是用GBK還是UTF-8解碼，顯示的都是亂碼。
可見，我們字符編碼轉換在第二步時出錯了，UTF-8的字符串被當做GBK讀入了內存中。
解決這個亂碼問題有兩種方法，一是把test.txt用GBK保存，則FileInputStream能正確讀入中文字符；二是使用InputStreamReader來轉換字符編碼，如：
InputStreamReader sr = new InputStreamReader(new
FileInputStream("D:\\test.txt"),"utf-8");
BufferedReader reader = new
BufferedReader(sr);
這樣，JAVA就會用utf-8的方式來從文件中讀取字符數據。
另外，我們可以通過在java命令后帶上Dfile.encoding參數來指定虛擬機讀取文件使用的默認字符編碼，例如java
-Dfile.encoding=utf-8
Test，這樣，我們在JAVA代碼里用System.getProperty("file.encoding")取到的值為utf-8。
四、JSP讀取request.getParameter里的中文參數后，在頁面顯示為亂碼。
在JAVA的WEB應用中，對request對象里的parameters的中文處理一直是常見也最難搞的一只大怪獸。經常是剛搞定了這邊，那邊又出了亂碼。而導致這種復雜性的，主要是此過程中字符編解碼次數非常多，而且無論是瀏覽器還是WEB服務器特別是TOMCAT總是不能給我們一個比較滿意的支持。
首先我們來分析用GET方式上傳參數的亂碼情況。
例如我們在瀏覽器地址欄輸入以下URL：http://localhost:8080/test/test.jsp?param=大家好
我們的JSP代碼如此處理param這個參數：
request.getParameter("param");?%>
而就這么簡單的兩句代碼，我們很有可能在頁面上看到這樣的亂碼：′ó?òo?
網上對處理request.getParamter中的亂碼有很多文章和方法，也都是正確的，只是方法太多讓人一直不明白到底是為什么。這里給大家分析一下到底是怎么一回事。
首先，我們來看看與request對象有哪些相關的編碼設置：
1. JSP文件的字符編碼
2. 請求這個帶參數URL的源頁面的字符編碼
3. IE的高級設置中的選項“總以utf-8方式發送URL地址”
4. TOMCAT的server.xml中配置URIEncoding
5. 函數request.setCharacterEncoding()
6.
JS的encodeURIComponent函數與JAVA的URLDecoder類
這么多條相關編碼設置，也難怪大家被搞得頭暈了。這里給大家根據各種情況給大家一一分析一下。見下表：
以上表格里的現象，除了指名在IE7上，其他全是在IE6上測試的結果。
由這個表我們可以看到，IE的“總以utf-8方式發送URL地址”設置并不影響對parameter的解析，而從頁面請求URL和從地址欄輸入URL居然也有不同的表現。
根據這個表列出的現象，大家只要用smartSniff抓幾個網絡包，并稍稍調查一下TOMCAT的源代碼，就可以得出以下結論：
1.
IE設置中的“總以utf-8方式發送URL地址”只對URL的PATH部分起作用，對查詢字符串是不起作用的。也就是說，如果勾選了這個選項，那么類似http://localhost:8080/test/大家好.jsp?param=大家好這種URL，前一個“大家好”將被轉化成utf-8形式，而后一個并沒有變化。這里所說的utf-8形式，其實應該叫utf-8+escape形式，即%B4%F3%BC%D2%BA%C3這種形式。
那么，查詢字符串中的中文字符，到底是用什么編碼傳送到服務器的呢？答案是系統默認編碼，即GBK。也就是說，在我們中文操作系統上，傳送給WEB服務器的查詢字符串，總是以GBK來編碼的。
2.
在頁面中通過鏈接或location重定向或open新窗口的方式來請求一個URL，這個URL里面的中文字符是用什么編碼的？答：是用該頁面的編碼類型。也就是說，如果我們從某個源JSP頁面上的鏈接來訪問http://localhost:8080/test/test.jsp?param=大家好這個URL，如果源JSP頁面的編碼是UTF-8，則大家好這幾個字的編碼就是UTF-8。
而在地址欄上直接輸入URL地址，或者從系統剪貼板粘貼到地址欄上，這個輸入并非從頁面中發起的，而是由操作系統發起的，所以這個編碼只可能是系統的默認編碼，與任何頁面無關。我們還發現，在不同的瀏覽器上，用鏈接方式打開的頁面，如果在地址欄上再敲個回車，顯示的結果也會不同。IE上敲回車后顯示不變化，而傲游上可能就會有亂碼或亂碼消失的變化。說明IE上敲回車，實際發送的是之前記憶下來的內存中的URL，而傲游上發送的從當前地址欄重新獲取的URL。
3.
TOMCAT的URIEncoding如果不加以設置，則默認使用ISO-8859-1來解碼URL，設置后便用設置了的編碼方式來解碼。這個解碼同時包括PATH部分和查詢字符串部分。可見，這個參數是對用GET方式傳遞的中文參數最關鍵的設置。不過，這個參數只對GET方式傳遞的參數有效，對POST的無效。分析TOMCAT的源代碼我們可以看到，在請求一個頁面時，TOMCAT會嘗試構造一個Request對象，在這個對象里，會從Server.xml里讀取URIEncoding的值，并賦值給Parameters類的queryStringEncoding變量，而這個變量將在解析request.getParameter中的GET參數時用來指導字符解碼。
4.
request.setCharacterEncoding函數只對POST的參數有效，對GET的參數無效。且這個函數必須是在第一次調用request.getParameter之前使用。這是因為Parameters類有兩個字符編碼參數，一個是encoding，另一個是queryStringEncoding，而setCharacterEncoding設置的是encoding，這個是在解析POST的參數是才用到的。
所以，這就導致了我們通常都要分開處理POST和GET的字符編碼，用TOMCAT自帶的filter只能處理POST的，另外要設置URIEncoding來設置GET的。這樣很麻煩而且URIEncoding無法根據內容來動態區分編碼，總還是一個問題。
在調查TOMCAT的代碼時發現了另一個在server.xml里的參數useBodyEncodingForURI，可以解決這個問題。這個參數設成true后，TOMCAT就會用request.setCharacterEncoding所設置的字符編碼來同樣解析GET參數了。這樣，那個SetCharacterEncodingFilter就可以同時處理GET和POST參數了。
知道了以上知識后，我們再來分析一下前面表格中列出的幾個典型現象。
第一條，請求源頁面的編碼為UTF-8，而TOMCAT的URIEncoding未指定，則TOMCAT用ISO8859-1方式來解碼參數，所以從request中讀出來后，內存中存儲的為錯誤的UNICODE數據，導致之后到屏幕顯示的所有轉換全部出錯。
第九條，請求源頁面編碼為GBK，而TOMCAT的URIEncoding也為GBK，TOMCAT用GBK方式去解碼原本用GBK編碼的字符，解碼正確，內存中的UNICODE值正確，最終顯示正確的中文。
第十三條，請求源頁面編碼為UTF-8，TOMCAT的URIEncoding也為UTF-8，而在IE6中最終顯示的中文字符，如果是奇數個數，則最后一個會顯示為亂碼。這是為什么呢？
我的猜測是，這是因為IE6將URL地址發送時，對查詢字符串是直接對UTF-8格式的字符使用GBK來編碼，而不是對UNICODE的字符來用GBK編碼，所以UTF-8的數據沒有經過UNICODE而直接編碼成了GBK。而到了TOMCAT這邊，GBK的編碼又被當成UTF-8做了解碼。所以這個過程中經過了UTF-8轉換成GBK，然后又從GBK轉換成UTF-8的過程，而這種轉換，恰好就會出現奇數個中文字符串的最后一位為亂碼的現象。而在IE7中，估計把這種現象當做BUG已經被解決了，即在發送地址時會先轉成UNICODE再編碼成GBK。那么估計在IE7的瀏覽器+中文操作系統環境下，如果我們把TOMCAT的URIEncoding設置成GBK，無論JSP編碼成什么格式，都不會出現亂碼。這個沒測試，請大家自己驗證。
其他幾條就不再做分析了，有興趣的大家自己分析。
五、對URL做Encode和Decode
對于request參數的中文亂碼問題，個人覺得最好的還是用URLEncode/URLDecode，因為如果你的WEB站點要支持國際化，最好就是保證從IE遞送過來的參數永遠是正確的UTF-8編碼。
在IE端，我們可以用JS腳本來對參數編碼：encodeURIComponent()，編碼后中文字符便變成了%B4%F3%BC%D2%BA%C3這種形式。在JAVA端，可以用java.net.URLDecoder.decode來解碼。不過這里要注意一個問題，就是TOMCAT會自動先對URL做一次decode，我們可以在TOMCAT的UDecoder類中看到這一點。不過TOMCAT并非使用了URLDecoder.decode，而是自己編寫了一個decode函數。網上有些文章上介紹過一種處理亂碼的方法便是在JS中對參數做兩次encodeURIComponent，在JAVA中做一次decode，可以解決一些沒有設置URIEncoding時發生的亂碼問題。不過個人覺得如果弄懂了整個字符編碼轉換的過程，基本上是用不到這種方法的。
六、從數據庫中讀取中文字符數據，在頁面上顯示為亂碼。
對于數據庫中讀取中文字符出現亂碼的問題，本人遇到的還比較少，所以暫時沒有總結。如果大家有類似的經驗，歡迎補充說明，我一定注明作者身份。
好了，對各種字符亂碼問題的分析就總結到這里，相信只要把握“以指定編碼讀取--轉換為UNICODE--以指定編碼輸入”這基本步驟，初學者也可以很快分析出字符亂碼的根源所在。另外我建議不要隨便使用new
String(str.getBytes(enc1),enc2)這種方式來強行轉碼，也不要隨便使用網上的字符轉碼函數，我覺得只會把問題隱藏更深更復雜化。我們應該清晰地分析整個字符流的編解碼過程，自然可以找出亂碼的根源所在，從而保證整個字符流動中，在內存中的UNICODE始終是正確的。
另外再附上個人總結的亂碼分析的一套秘籍！即從亂碼的長相來分析是哪種編碼轉換錯誤。有人可以聞香識酒，我們也來個看字識碼。請看下表：
不過個人至今仍然弄不明白的就是問號碼的產生原因，問號碼即所有字符幾乎全部為問號的亂碼。問號碼的出現有多種情況。我目前能確認的當我們把中文字符強行以ISO8859-1編碼寫入文件后，字符的高位信息會丟失，從而再次從文件中讀出字符時便全部變為問號符。而我在JAVA代碼中用UTF-8的方式去讀取GBK編碼的字符，出來的也是問號碼，而并非口字碼，這是我百思不得其解的問題。
總結
以上是生活随笔為你收集整理的java中文字符怎么保证出现正确_JAVA中文字符编码问题详解的全部內容，希望文章能夠幫你解決所遇到的問題。
