字符集编码问题研究
1. 概述
本文主要包括以下幾個方面：編碼基本知識，java，系統軟件，url，工具軟件等。
在下面的描述中，將以"中文"兩個字為例，經查表可以知道其GB2312編碼是"d6d0 cec4"，Unicode編碼為"4e2d 6587"，UTF編碼就是"e4b8ad e69687"。注意，這兩個字沒有iso8859-1編碼，但可以用iso8859-1編碼來"表示"。
2. 編碼基本知識
最早的編碼是iso8859-1，和ascii編碼相似。但為了方便表示各種各樣的語言，逐漸出現了很多標準編碼，重要的有如下幾個。
2.1. iso8859-1
屬于單字節編碼，最多能表示的字符范圍是0-255，應用于英文系列。比如，字母'a'的編碼為0x61=97。
很明顯，iso8859-1編碼表示的字符范圍很窄，無法表示中文字符。但是，由于是單字節編碼，和計算機最基礎的表示單位一致，所以很多時候，仍舊使用 iso8859-1編碼來表示。而且在很多協議上，默認使用該編碼。比如，雖然"中文"兩個字不存在iso8859-1編碼，以gb2312編碼為例，應 該是"d6d0 cec4"兩個字符，使用iso8859-1編碼的時候則將它拆開為4個字節來表示："d6 d0 ce c4"(事實上，在進行存儲的時候，也是以字節為單位處理的)。而如果是UTF編碼，則是6個字節"e4 b8 ad e6 96 87"。很明顯，這種表示方法還需要以另一種編碼為基礎。
2.2. GB2312/GBK
這就是漢子的國標碼，專門用來表示漢字，是雙字節編碼，而英文字母和iso8859-1一致(兼容iso8859-1編碼)。其中gbk編碼能夠用來同時表示繁體字和簡體字，而gb2312只能表示簡體字，gbk是兼容gb2312編碼的。
2.3. unicode
這是最統一的編碼，可以用來表示所有語言的字符，而且是定長雙字節(也有四字節的)編碼，包括英文字母在內。所以可以說它是不兼容iso8859-1編碼 的，也不兼容任何編碼。不過，相對于iso8859-1編碼來說，uniocode編碼只是在前面增加了一個0字節，比如字母'a'為"00 61"。
需要說明的是，定長編碼便于計算機處理(注意GB2312/GBK不是定長編碼)，而unicode又可以用來表示所有字符，所以在很多軟件內部是使用unicode編碼來處理的，比如java。
2.4. UTF
考慮到unicode編碼不兼容iso8859-1編碼，而且容易占用更多的空間：因為對于英文字母，unicode也需要兩個字節來表示。所以 unicode不便于傳輸和存儲。因此而產生了utf編碼，utf編碼兼容iso8859-1編碼，同時也可以用來表示所有語言的字符，不過，utf編碼 是不定長編碼，每一個字符的長度從1-6個字節不等。另外，utf編碼自帶簡單的校驗功能。一般來講，英文字母都是用一個字節表示，而漢字使用三個字節。
注意，雖然說utf是為了使用更少的空間而使用的，但那只是相對于unicode編碼來說，如果已經知道是漢字，則使用GB2312/GBK無疑是最節省 的。不過另一方面，值得說明的是，雖然utf編碼對漢字使用3個字節，但即使對于漢字網頁，utf編碼也會比unicode編碼節省，因為網頁中包含了很 多的英文字符。
3. java對字符的處理
在java應用軟件中，會有多處涉及到字符集編碼，有些地方需要進行正確的設置，有些地方需要進行一定程度的處理。
3.1. getBytes(charset)
這是java字符串處理的一個標準函數，其作用是將字符串所表示的字符按照charset編碼，并以字節方式表示。注意字符串在java內存中總是按 unicode編碼存儲的。比如"中文"，正常情況下(即沒有錯誤的時候)存儲為"4e2d 6587"，如果charset為"gbk"，則被編碼為"d6d0 cec4"，然后返回字節"d6 d0 ce c4"。如果charset為"utf8"則最后是"e4 b8 ad e6 96 87"。如果是"iso8859-1"，則由于無法編碼，最后返回 "3f 3f"(兩個問號)。
3.2. new String(charset)
這是java字符串處理的另一個標準函數，和上一個函數的作用相反，將字節數組按照charset編碼進行組合識別，最后轉換為unicode存儲。參考 上述getBytes的例子，"gbk" 和"utf8"都可以得出正確的結果"4e2d 6587"，但iso8859-1最后變成了"003f 003f"(兩個問號)。
因為utf8可以用來表示/編碼所有字符，所以new String( str.getBytes( "utf8" ), "utf8" ) === str，即完全可逆。
3.3. setCharacterEncoding()
該函數用來設置http請求或者相應的編碼。
對于request，是指提交內容的編碼，指定后可以通過getParameter()則直接獲得正確的字符串，如果不指定，則默認使用 iso8859-1編碼，需要進一步處理。參見下述"表單輸入"。值得注意的是在執行setCharacterEncoding()之前，不能執行任何 getParameter()。java doc上說明：This method must be called prior to reading request parameters or reading input using getReader()。而且，該指定只對POST方法有效，對GET方法無效。分析原因，應該是在執行第一個getParameter()的時 候，java將會按照編碼分析所有的提交內容，而后續的getParameter()不再進行分析，所以setCharacterEncoding()無 效。而對于GET方法提交表單是，提交的內容在URL中，一開始就已經按照編碼分析所有的提交內容，setCharacterEncoding()自然就 無效。
對于response，則是指定輸出內容的編碼，同時，該設置會傳遞給瀏覽器，告訴瀏覽器輸出內容所采用的編碼。
3.4. 處理過程
下面分析兩個有代表性的例子，說明java對編碼有關問題的處理方法。
3.4.1. 表單輸入
User input??*(gbk:d6d0 cec4)??browser??*(gbk:d6d0 cec4)??web server??iso8859-1(00d6 00d 000ce 00c4)??class，需要在class中進行處理：getbytes("iso8859-1")為d6 d0 ce c4，new String("gbk")為d6d0 cec4，內存中以unicode編碼則為4e2d 6587。
l 用戶輸入的編碼方式和頁面指定的編碼有關，也和用戶的操作系統有關，所以是不確定的，上例以gbk為例。
l 從browser到web server，可以在表單中指定提交內容時使用的字符集，否則會使用頁面指定的編碼。而如果在url中直接用?的方式輸入參數，則其編碼往往是操作系統本身的編碼，因為這時和頁面無關。上述仍舊以gbk編碼為例。
l Web server接收到的是字節流，默認時(getParameter)會以iso8859-1編碼處理之，結果是不正確的，所以需要進行處理。但如果預先設 置了編碼(通過request. setCharacterEncoding ())，則能夠直接獲取到正確的結果。
l 在頁面中指定編碼是個好習慣，否則可能失去控制，無法指定正確的編碼。
3.4.2. 文件編譯
假設文件是gbk編碼保存的，而編譯有兩種編碼選擇：gbk或者iso8859-1，前者是中文windows的默認編碼，后者是linux的默認編碼，當然也可以在編譯時指定編碼。
Jsp??*(gbk:d6d0 cec4)??java file??*(gbk:d6d0 cec4)??compiler read??uincode(gbk: 4e2d 6587; iso8859-1: 00d6 00d 000ce 00c4)??compiler write??utf(gbk: e4b8ad e69687; iso8859-1: *)??compiled file??unicode(gbk: 4e2d 6587; iso8859-1: 00d6 00d 000ce 00c4)??class。所以用gbk編碼保存，而用iso8859-1編譯的結果是不正確的。
class??unicode(4e2d 6587)??system.out / jsp.out??gbk(d6d0 cec4)??os console / browser。
l 文件可以以多種編碼方式保存，中文windows下，默認為ansi/gbk。
l 編譯器讀取文件時，需要得到文件的編碼，如果未指定，則使用系統默認編碼。一般class文件，是以系統默認編碼保存的，所以編譯不會出問題，但對于 jsp文件，如果在中文windows下編輯保存，而部署在英文linux下運行/編譯，則會出現問題。所以需要在jsp文件中用 pageEncoding指定編碼。
l Java編譯的時候會轉換成統一的unicode編碼處理，最后保存的時候再轉換為utf編碼。
l 當系統輸出字符的時候，會按指定編碼輸出，對于中文windows下，System.out將使用gbk編碼，而對于response(瀏覽器)，則使用 jsp文件頭指定的contentType，或者可以直接為response指定編碼。同時，會告訴browser網頁的編碼。如果未指定，則會使用 iso8859-1編碼。對于中文，應該為browser指定輸出字符串的編碼。
l browser顯示網頁的時候，首先使用response中指定的編碼(jsp文件頭指定的contentType最終也反映在response上)，如果未指定，則會使用網頁中meta項指定中的contentType。
3.5. 幾處設置
對于web應用程序，和編碼有關的設置或者函數如下。
3.5.1. jsp編譯
指定文件的存儲編碼，很明顯，該設置應該置于文件的開頭。例如：<%@page pageEncoding="GBK"%>。另外，對于一般class文件，可以在編譯的時候指定編碼。
3.5.2. jsp輸出
指定文件輸出到browser是使用的編碼，該設置也應該置于文件的開頭。例如：<%@ page contentType="text/html; charset= GBK" %>。該設置和response.setCharacterEncoding("GBK")等效。
3.5.3. meta設置
指定網頁使用的編碼，該設置對靜態網頁尤其有作用。因為靜態網頁無法采用jsp的設置，而且也無法執行 response.setCharacterEncoding()。例如：<META http-equiv="Content-Type" content="text/html; charset=GBK" />
如果同時采用了jsp輸出和meta設置兩種編碼指定方式，則jsp指定的優先。因為jsp指定的直接體現在response中。
需要注意的是，apache有一個設置可以給無編碼指定的網頁指定編碼，該指定等同于jsp的編碼指定方式，所以會覆蓋靜態網頁中的meta指定。所以有人建議關閉該設置。
3.5.4. form設置
當瀏覽器提交表單的時候，可以指定相應的編碼。例如：<form accept-charset= "gb2312">。一般不必不使用該設置，瀏覽器會直接使用網頁的編碼。
4. 系統軟件
下面討論幾個相關的系統軟件。
4.1. mysql數據庫
很明顯，要支持多語言，應該將數據庫的編碼設置成utf或者unicode，而utf更適合與存儲。但是，如果中文數據中包含的英文字母很少，其實unicode更為適合。
數據庫的編碼可以通過mysql的配置文件設置，例如default-character-set=utf8。還可以在數據庫鏈接URL中設置，例如： useUnicode=true&characterEncoding=UTF-8。注意這兩者應該保持一致，在新的sql版本里，在數據庫鏈接 URL里可以不進行設置，但也不能是錯誤的設置。
4.2. apache
appache和編碼有關的配置在httpd.conf中，例如AddDefaultCharset UTF-8。如前所述，該功能會將所有靜態頁面的編碼設置為UTF-8，最好關閉該功能。
另外，apache還有單獨的模塊來處理網頁響應頭，其中也可能對編碼進行設置。
4.3. linux默認編碼
這里所說的linux默認編碼，是指運行時的環境變量。兩個重要的環境變量是LC_ALL和LANG，默認編碼會影響到java URLEncode的行為，下面有描述。
建議都設置為"zh_CN.UTF-8"。
4.4. 其它
為了支持中文文件名，linux在加載磁盤時應該指定字符集，例如：mount /dev/hda5 /mnt/hda5/ -t ntfs -o iocharset=gb2312。
另外，如前所述，使用GET方法提交的信息不支持request.setCharacterEncoding()，但可以通過tomcat的配置文件指定 字符集，在tomcat的server.xml文件中，形如：<Connector ... URIEncoding="GBK"/>。這種方法將統一設置所有請求，而不能針對具體頁面進行設置，也不一定和browser使用的編碼相同，所 以有時候并不是所期望的。
5. URL地址
URL地址中含有中文字符是很麻煩的，前面描述過使用GET方法提交表單的情況，使用GET方法時，參數就是包含在URL中。
5.1. URL編碼
對于URL中的一些特殊字符，瀏覽器會自動進行編碼。這些字符除了"/?&"等外，還包括unicode字符，比如漢子。這時的編碼比較特殊。
IE有一個選項"總是使用UTF-8發送URL"，當該選項有效時，IE將會對特殊字符進行UTF-8編碼，同時進行URL編碼。如果改選項無效，則使用 默認編碼"GBK"，并且不進行URL編碼。但是，對于URL后面的參數，則總是不進行編碼，相當于UTF-8選項無效。比如"中文.html?a=中 文"，當UTF-8選項有效時，將發送鏈接"%e4%b8%ad%e6%96%87.html?a=\\x4e\\x2d\\x65\\x87";而 UTF-8選項無效時，將發送鏈接"\\x4e\\x2d\\x65\\x87.html?a=\\x4e\\x2d\\x65\\x87"。注意后者前 面的"中文"兩個字只有4個字節，而前者卻有18個字節，這主要時URL編碼的原因。
當web server(tomcat)接收到該鏈接時，將會進行URL解碼，即去掉"%"，同時按照ISO8859-1編碼(上面已經描述，可以使用 URLEncoding來設置成其它編碼)識別。上述例子的結果分別是"\\ue4\\ub8\\uad\\ue6\\u96\\u87.html?a= \\u4e\\u2d\\u65\\u87"和"\\u4e\\u2d\\u65\\u87.html?a=\\u4e\\u2d\\u65 \\u87"，注意前者前面的"中文"兩個字恢復成了6個字符。這里用"\\u"，表示是unicode。
所以，由于客戶端設置的不同，相同的鏈接，在服務器上得到了不同結果。這個問題不少人都遇到，卻沒有很好的解決辦法。所以有的網站會建議用戶嘗試關閉UTF-8選項。不過，下面會描述一個更好的處理辦法。
5.2. rewrite
熟悉的人都知道，apache有一個功能強大的rewrite模塊，這里不描述其功能。需要說明的是該模塊會自動將URL解碼(去除%)，即完成上述 web server(tomcat)的部分功能。有相關文檔介紹說可以使用[NE]參數來關閉該功能，但我試驗并未成功，可能是因為版本(我使用的是 apache 2.0.54)問題。另外，當參數中含有"?& "等符號的時候，該功能將導致系統得不到正常結果。
rewrite本身似乎完全是采用字節處理的方式，而不考慮字符串的編碼，所以不會帶來編碼問題。
5.3. URLEncode.encode()
這是Java本身提供對的URL編碼函數，完成的工作和上述UTF-8選項有效時瀏覽器所做的工作相似。值得說明的是，java已經不贊成不指定編碼來使用該方法(deprecated)。應該在使用的時候增加編碼指定。
當不指定編碼的時候，該方法使用系統默認編碼，這會導致軟件運行結果得不確定。比如對于"中文"，當系統默認編碼為"gb2312"時，結果是"%4e %2d%65%87"，而默認編碼為"UTF-8"，結果卻是"%e4%b8%ad%e6%96%87"，后續程序將難以處理。另外，這兒說的系統默認編 碼是由運行tomcat時的環境變量LC_ALL和LANG等決定的，曾經出現過tomcat重啟后就出現亂碼的問題，最后才郁悶的發現是因為修改修改了 這兩個環境變量。
建議統一指定為"UTF-8"編碼，可能需要修改相應的程序。
5.4. 一個解決方案
上面說起過，因為瀏覽器設置的不同，對于同一個鏈接，web server收到的是不同內容，而軟件系統有無法知道這中間的區別，所以這一協議目前還存在缺陷。
針對具體問題，不應該僥幸認為所有客戶的IE設置都是UTF-8有效的，也不應該粗暴的建議用戶修改IE設置，要知道，用戶不可能去記住每一個web server的設置。所以，接下來的解決辦法就只能是讓自己的程序多一點智能：根據內容來分析編碼是否UTF-8。
比較幸運的是UTF-8編碼相當有規律，所以可以通過分析傳輸過來的鏈接內容，來判斷是否是正確的UTF-8字符，如果是，則以UTF-8處理之，如果不是，則使用客戶默認編碼(比如"GBK")，下面是一個判斷是否UTF-8的例子，如果你了解相應規律，就容易理解。
相應地，一個使用上述方法的例子如下：
文本格式復制代碼打印?
不過，該方法也存在缺陷，如下兩方面：
l 沒有包括對用戶默認編碼的識別，這可以根據請求信息的語言來判斷，但不一定正確，因為我們有時候也會輸入一些韓文，或者其他文字。
l 可能會錯誤判斷UTF-8字符，一個例子是"學習"兩個字，其GBK編碼是" \\xd1\\xa7\\xcf\\xb0"，如果使用上述isValidUtf8方法判斷，將返回true。可以考慮使用更嚴格的判斷方法，不過估計效果不大。
有一個例子可以證明google也遇到了上述問題，而且也采用了和上述相似的處理方法，比如，如果在地址欄中輸 入"http://www.google.com/search?hl=zh-CN&newwindow=1&q=學習"，google 將無法正確識別，而其他漢字一般能夠正常識別。
最后，應該補充說明一下，如果不使用rewrite規則，或者通過表單提交數據，其實并不一定會遇到上述問題，因為這時可以在提交數據時指定希望的編碼。另外，中文文件名確實會帶來問題，應該謹慎使用。
6. 其它
下面描述一些和編碼有關的其他問題。
6.1. SecureCRT
除了瀏覽器和控制臺與編碼有關外，一些客戶端也很有關系。比如在使用SecureCRT連接linux時，應該讓SecureCRT的顯示編碼(不同的session，可以有不同的編碼設置)和linux的編碼環境變量保持一致。否則看到的一些幫助信息，就可能是亂碼。
另外，mysql有自己的編碼設置，也應該保持和SecureCRT的顯示編碼一致。否則通過SecureCRT執行sql語句的時候，可能無法處理中文字符，查詢結果也會出現亂碼。
對于Utf-8文件，很多編輯器(比如記事本)會在文件開頭增加三個不可見的標志字節，如果作為mysql的輸入文件，則必須要去掉這三個字符。(用 linux的vi保存可以去掉這三個字符)。一個有趣的現象是，在中文windows下，創建一個新txt文件，用記事本打開，輸入"連通"兩個字，保 存，再打開，你會發現兩個字沒了，只留下一個小黑點。
6.2. 過濾器
如果需要統一設置編碼，則通過filter進行設置是個不錯的選擇。在filter class中，可以統一為需要的請求或者回應設置編碼。參加上述setCharacterEncoding()。這個類apache已經給出了可以直接使 用的例子SetCharacterEncodingFilter。
6.3. POST和GET
很明顯，以POST提交信息時，URL有更好的可讀性，而且可以方便的使用setCharacterEncoding()來處理字符集問題。但GET方法形成的URL能夠更容易表達網頁的實際內容，也能夠用于收藏。
從統一的角度考慮問題，建議采用GET方法，這要求在程序中獲得參數是進行特殊處理，而無法使用setCharacterEncoding()的便利，如 果不考慮rewrite，就不存在IE的UTF-8問題，可以考慮通過設置URIEncoding來方便獲取URL中的參數。
6.4. 簡繁體編碼轉換
GBK同時包含簡體和繁體編碼，也就是說同一個字，由于編碼不同，在GBK編碼下屬于兩個字。有時候，為了正確取得完整的結果，應該將繁體和簡體進行統 一。可以考慮將UTF、GBK中的所有繁體字，轉換為相應的簡體字，BIG5編碼的數據，也應該轉化成相應的簡體字。當然，仍舊以UTF編碼存儲。
例如，對于"語言 語言"，用UTF表示為"\\xE8\\xAF\\xAD\\xE8\\xA8\\x80 \\xE8\\xAA\\x9E\\xE8\\xA8\\x80"，進行簡繁體編碼轉換后應該是兩個相同的 "\\xE8\\xAF\\xAD\\xE8\\xA8\\x80>"。
本文轉載自 http://www.itjianghu.net/120108/40916455844907439.htm
轉載于:https://blog.51cto.com/3595505/761797
總結
- 上一篇： XML格式对象序列化(2)
- 下一篇： 网络发展的模式之一：新功能在应用系统涌现