JSP/Servlet 中的漢字編碼問(wèn)題

2020-07-27 21:48:43

字體：大中小

供稿：網(wǎng)友

JSP/Servlet 中的漢字編碼問(wèn)題網(wǎng)上就 JSP/Servlet 中 DBCS 字符編碼問(wèn)題有許多優(yōu)秀的文章和討論，本文對(duì)它們作一些整理，并結(jié)合 IBM WebSphere Application Server 3.5（WAS）的解決方法作一些說(shuō)明，希望它不是多余的。
內(nèi)容：

問(wèn)題的起源
??????-80，GBK，GB18030-2000 漢字字符集及 Encoding
中文轉(zhuǎn)碼時(shí)'?'、亂碼的由來(lái)
JSP/Servlet 漢字編碼問(wèn)題及在 WAS 中的解決辦法
結(jié)束語(yǔ)
參考文章

1. 問(wèn)題的起源

每個(gè)國(guó)家（或區(qū)域）都規(guī)定了計(jì)算機(jī)信息交換用的字符編碼集，如美國(guó)的擴(kuò)展 ASCII碼, 中國(guó)的 ??????-80，日本的 JIS 等，作為該國(guó)家/區(qū)域內(nèi)信息處理的基礎(chǔ)，有著統(tǒng)一編碼的重要作用。字符編碼集按長(zhǎng)度分為 SBCS（單字節(jié)字符集），DBCS（雙字節(jié)字符集）兩大類(lèi)。早期的軟件（尤其是操作系統(tǒng)），為了解決本地字符信息的計(jì)算機(jī)處理，出現(xiàn)了各種本地化版本（L10N），為了區(qū)分，引進(jìn)了 LANG, Codepage 等概念。但是由于各個(gè)本地字符集代碼范圍重疊，相互間信息交換困難；軟件各個(gè)本地化版本獨(dú)立維護(hù)成本較高。因此有必要將本地化工作中的共性抽取出來(lái)，作一致處理，將特別的本地化處理內(nèi)容降低到最少。這也就是所謂的國(guó)際化（I18N）。各種語(yǔ)言信息被進(jìn)一步規(guī)范為 Locale 信息。處理的底層字符集變成了幾乎包含了所有字形的 Unicode。

現(xiàn)在大部分具有國(guó)際化特征的軟件核心字符處理都是以 Unicode 為基礎(chǔ)的，在軟件運(yùn)行時(shí)根據(jù)當(dāng)時(shí)的 Locale/Lang/Codepage 設(shè)置確定相應(yīng)的本地字符編碼設(shè)置，并依此處理本地字符。在處理過(guò)程中需要實(shí)現(xiàn) Unicode 和本地字符集的相互轉(zhuǎn)換，甚或以 Unicode 為中間的兩個(gè)不同本地字符集的相互轉(zhuǎn)換。這種方式在網(wǎng)絡(luò)環(huán)境下被進(jìn)一步延伸，任何網(wǎng)絡(luò)兩端的字符信息也需要根據(jù)字符集的設(shè)置轉(zhuǎn)換成可接受的內(nèi)容。

Java 語(yǔ)言內(nèi)部是用 Unicode 表示字符的，遵守 Unicode V2.0。Java 程序無(wú)論是從/往文件系統(tǒng)以字符流讀/寫(xiě)文件，還是往 URL 連接寫(xiě) HTML 信息，或從 URL 連接讀取參數(shù)值，都會(huì)有字符編碼的轉(zhuǎn)換。這樣做雖然增加了編程的復(fù)雜度，容易引起混淆，但卻是符合國(guó)際化的思想的。

從理論上來(lái)說(shuō)，這些根據(jù)字符集設(shè)置而進(jìn)行的字符轉(zhuǎn)換不應(yīng)該產(chǎn)生太多問(wèn)題。而事實(shí)是由于應(yīng)用程序的實(shí)際運(yùn)行環(huán)境不同，Unicode 和各個(gè)本地字符集的補(bǔ)充、完善，以及系統(tǒng)或應(yīng)用程序?qū)崿F(xiàn)的不規(guī)范，轉(zhuǎn)碼時(shí)出現(xiàn)的問(wèn)題時(shí)時(shí)困擾著程序員和用戶。

2. ??????-80，GBK，GB18030-2000 漢字字符集及 Encoding

其實(shí)解決 JAVA 程序中的漢字編碼問(wèn)題的方法往往很簡(jiǎn)單，但理解其背后的原因，定位問(wèn)題，還需要了解現(xiàn)有的漢字編碼和編碼轉(zhuǎn)換。

??????-80 是在國(guó)內(nèi)計(jì)算機(jī)漢字信息技術(shù)發(fā)展初始階段制定的，其中包含了大部分常用的一、二級(jí)漢字，和 9 區(qū)的符號(hào)。該字符集是幾乎所有的中文系統(tǒng)和國(guó)際化的軟件都支持的中文字符集，這也是最基本的中文字符集。其編碼范圍是高位0xa1－0xfe，低位也是 0xa1-0xfe；漢字從 0xb0a1 開(kāi)始，結(jié)束于 0xf7fe；

GBK 是 ??????-80 的擴(kuò)展，是向上兼容的。它包含了 20902 個(gè)漢字，其編碼范圍是 0x8140-0xfefe，剔除高位 0x80 的字位。其所有字符都可以一對(duì)一映射到 Unicode 2.0，也就是說(shuō) JAVA 實(shí)際上提供了 GBK 字符集的支持。這是現(xiàn)階段 Windows 和其它一些中文操作系統(tǒng)的缺省字符集，但并不是所有的國(guó)際化軟件都支持該字符集，感覺(jué)是他們并不完全知道 GBK 是怎么回事。值得注意的是它不是國(guó)家標(biāo)準(zhǔn)，而只是規(guī)范。隨著 GB18030-2000國(guó)標(biāo)的發(fā)布，它將在不久的將來(lái)完成它的歷史使命。

GB18030-2000(GBK2K) 在 GBK 的基礎(chǔ)上進(jìn)一步擴(kuò)展了漢字，增加了藏、蒙等少數(shù)民族的字形。GBK2K 從根本上解決了字位不夠，字形不足的問(wèn)題。它有幾個(gè)特點(diǎn)，

它并沒(méi)有確定所有的字形，只是規(guī)定了編碼范圍，留待以后擴(kuò)充。
編碼是變長(zhǎng)的，其二字節(jié)部分與 GBK 兼容；四字節(jié)部分是擴(kuò)充的字形、字位，其編碼范圍是首字節(jié) 0x81-0xfe、二字節(jié)0x30-0x39、三字節(jié) 0x81-0xfe、四字節(jié)0x30-0x39。
它的推廣是分階段的，首先要求實(shí)現(xiàn)的是能夠完全映射到 Unicode 3.0 標(biāo)準(zhǔn)的所有字形。
它是國(guó)家標(biāo)準(zhǔn)，是強(qiáng)制性的。
現(xiàn)在還沒(méi)有任何一個(gè)操作系統(tǒng)或軟件實(shí)現(xiàn)了 GBK2K 的支持，這是現(xiàn)階段和將來(lái)漢化的工作內(nèi)容。
Unicode 的介紹......就免了吧。

JAVA 支持的encoding中與中文編程相關(guān)的有：(有幾個(gè)在JDK文檔中未列出)

ASCII 7-bit, 同 ascii7
ISO8859-1 8-bit, 同 8859_1,ISO-8859-1,ISO_8859-1,latin1...
??????-80 同??????,??????-1980,EUC_CN,euccn,1381,Cp1381, 1383, Cp1383, ISO2022CN,ISO2022CN_GB......
GBK (注意大小寫(xiě)),同MS936
UTF8 UTF-8
GB18030 (現(xiàn)在只有IBM JDK1.3.?有支持), 同Cp1392,1392

JAVA 語(yǔ)言采用Unicode處理字符. 但從另一個(gè)角度來(lái)說(shuō)，在java程序中也可以采用非Unicode的轉(zhuǎn)碼，重要的是保證程序入口和出口的漢字信息不失真。如完全采用ISO-8859-1來(lái)處理漢字也能達(dá)到正確的結(jié)果。網(wǎng)絡(luò)上流行的許多解決方法，都屬于這種類(lèi)型。為了不致引起混淆，本文不對(duì)這種方法作討論。

3. 中文轉(zhuǎn)碼時(shí)'?'、亂碼的由來(lái)

兩個(gè)方向轉(zhuǎn)換都有可能得到錯(cuò)誤的結(jié)果：

Unicode-->Byte, 如果目標(biāo)代碼集不存在對(duì)應(yīng)的代碼，則得到的結(jié)果是0x3f.
如：
"/u00d6/u00ec/u00e9/u0046/u00bb/u00f9".getBytes("GBK") 的結(jié)果是 "?ìéF?ù", Hex 值是3fa8aca8a6463fa8b4.
仔細(xì)看一下上面的結(jié)果，你會(huì)發(fā)現(xiàn)/u00ec被轉(zhuǎn)換為0xa8ac, /u00e9被轉(zhuǎn)換為/xa8a6... 它的實(shí)際有效位變長(zhǎng)了！這是因?yàn)??????符號(hào)區(qū)中的一些符號(hào)被映射到一些公共的符號(hào)編碼，由于這些符號(hào)出現(xiàn)在ISO-8859-1或其它一些SBCS字符集中，故它們?cè)赨nicode中編碼比較靠前，有一些其有效位只有8位，和漢字的編碼重疊(其實(shí)這種映射只是編碼的映射，在顯示時(shí)仔細(xì)不是一樣的。Unicode 中的符號(hào)是單字節(jié)寬，漢字中的符號(hào)是雙字節(jié)寬) . 在Unicode/u00a0--/u00ff 之間這樣的符號(hào)有20個(gè)。了解這個(gè)特征非常重要！由此就不難理解為什么JAVA編程中，漢字編碼的錯(cuò)誤結(jié)果中常常會(huì)出現(xiàn)一些亂碼(其實(shí)是符號(hào)字符), 而不全是'?'字符, 就比如上面的例子。

Byte-->Unicode, 如果Byte標(biāo)識(shí)的字符在源代碼集不存在，則得到的結(jié)果是0xfffd.
如：
Byte ba[] = {(byte)0x81,(byte)0x40,(byte)0xb0,(byte)0xa1}; new String(ba,"??????");
結(jié)果是"?啊", hex 值是"/ufffd/u554a". 0x8140 是GBK字符，按??????轉(zhuǎn)換表沒(méi)有對(duì)應(yīng)的值，取/ufffd. (請(qǐng)注意：在顯示該uniCode時(shí)，因?yàn)闆](méi)有對(duì)應(yīng)的本地字符，所以也適用上一種情況，顯示為一個(gè)"?".)

實(shí)際編程中，JSP/Servlet 程序得到錯(cuò)誤的漢字信息，往往是這兩個(gè)過(guò)程的疊加，有時(shí)甚至是兩個(gè)過(guò)程疊加后反復(fù)作用的結(jié)果.

4. JSP/Servlet 漢字編碼問(wèn)題及在 WAS 中的解決辦法

4.1 常見(jiàn)的 encoding 問(wèn)題的現(xiàn)象
網(wǎng)上常出現(xiàn)的 JSP/Servlet encoding 問(wèn)題一般都表現(xiàn)在 browser 或應(yīng)用程序端，如:
瀏覽器中看到的 Jsp/Servlet 頁(yè)面中的漢字怎么都成了 '?' ?
瀏覽器中看到的 Servlet 頁(yè)面中的漢字怎么都成了亂碼？
JAVA 應(yīng)用程序界面中的漢字怎么都成了方塊？
Jsp/Servlet 頁(yè)面無(wú)法顯示 GBK 漢字。
JSP 頁(yè)面中內(nèi)嵌在<%...%>,<%=...%>等Tag包含的 JAVA code 中的中文成了亂碼，但頁(yè)面的其它漢字是對(duì)的。
Jsp/Servlet 不能接收 form 提交的漢字。
JSP/Servlet 數(shù)據(jù)庫(kù)讀寫(xiě)無(wú)法獲得正確的內(nèi)容。
隱藏在這些問(wèn)題后面的是各種錯(cuò)誤的字符轉(zhuǎn)換和處理（除第3個(gè)外，是因?yàn)?Java font 設(shè)置錯(cuò)誤引起的）。解決類(lèi)似的字符 encoding 問(wèn)題，需要了解 Jsp/Servlet 的運(yùn)行過(guò)程，檢查可能出現(xiàn)問(wèn)題的各個(gè)點(diǎn)。

4.2 JSP/Servlet web 編程時(shí)的 encoding 問(wèn)題
運(yùn)行于Java 應(yīng)用服務(wù)器的 JSP/Servlet 為 Browser 提供 HTML 內(nèi)容，其過(guò)程如下圖所示：

其中有字符編碼轉(zhuǎn)換的地方有:

JSP 編譯。Java 應(yīng)用服務(wù)器將根據(jù) JVM 的 file.encoding 值讀取 JSP 源文件，編譯生成 JAVA 源文件，再根據(jù) file.encoding 值寫(xiě)回文件系統(tǒng)。如果當(dāng)前系統(tǒng)語(yǔ)言支持 GBK，那么這時(shí)候不會(huì)出現(xiàn) encoding 問(wèn)題。如果是英文的系統(tǒng)，如 LANG 是 en_US 的 Linux, AIX 或 Solaris，則要將 JVM 的 file.encoding 值置成 GBK 。系統(tǒng)語(yǔ)言如果是 ??????，則根據(jù)需要，確定要不要設(shè)置 file.encoding，將 file.encoding 設(shè)為 GBK 可以解決潛在的 GBK 字符亂碼問(wèn)題

Java 需要被編譯為 .class 才能在 JVM 中執(zhí)行，這個(gè)過(guò)程存在與a.同樣的 file.encoding 問(wèn)題。從這里開(kāi)始 servlet 和 jsp 的運(yùn)行就類(lèi)似了，只不過(guò) Servlet 的編譯不是自動(dòng)進(jìn)行的。對(duì)于JSP程序, 對(duì)產(chǎn)生的JAVA 中間文件的編譯是自動(dòng)進(jìn)行的(在程序中直接調(diào)用sun.tools.javac.Main類(lèi)). 因此如果在這一步出現(xiàn)問(wèn)題的話, 也要檢查encoding和OS的語(yǔ)言環(huán)境，或者將內(nèi)嵌在JSP JAVA Code 中的靜態(tài)漢字轉(zhuǎn)為 Unicode, 要么靜態(tài)文本輸出不要放在 JAVA code 中。對(duì)于Servlet, javac 編譯時(shí)手工指定-encoding 參數(shù)就可以了。

Servlet 需要將 HTML 頁(yè)面內(nèi)容轉(zhuǎn)換為 browser 可接受的 encoding 內(nèi)容發(fā)送出去。依賴(lài)于各 JAVA App Server 的實(shí)現(xiàn)方式，有的將查詢 Browser 的 accept-charset 和 accept-language 參數(shù)或以其它猜的方式確定 encoding 值，有的則不管。因此采用固定encoding 也許是最好的解決方法。對(duì)于中文網(wǎng)頁(yè)，可在 JSP 或 Servlet 中設(shè)置 contentType="text/html; charset=??????"；如果頁(yè)面中有GBK字符，則設(shè)置為contentType="text/html; charset=GBK"，由于IE 和 Netscape對(duì)GBK的支持程度不一樣，作這種設(shè)置時(shí)需要測(cè)試一下。
因?yàn)?6位 JAVA char在網(wǎng)絡(luò)傳送時(shí)高8位會(huì)被丟棄，也為了確保Servlet頁(yè)面中的漢字（包括內(nèi)嵌的和servlet運(yùn)行過(guò)程中得到的）是期望的內(nèi)碼，可以用 PrintWriter out=res.getWriter() 取代 ServletOutputStream out=res.getOutputStream(). PrinterWriter 將根據(jù)contentType中指定的charset作轉(zhuǎn)換 (ContentType需在此之前指定！); 也可以用OutputStreamWriter封裝 ServletOutputStream 類(lèi)并用write(String)輸出漢字字符串。
對(duì)于 JSP，JAVA Application Server 應(yīng)當(dāng)能夠確保在這個(gè)階段將嵌入的漢字正確傳送出去。

這是解釋 URL 字符 encoding 問(wèn)題。如果通過(guò) get/post 方式從 browser 返回的參數(shù)值中包含漢字信息， servlet 將無(wú)法得到正確的值。SUN的 J2SDK 中，HttpUtils.parseName 在解析參數(shù)時(shí)根本沒(méi)有考慮 browser 的語(yǔ)言設(shè)置，而是將得到的值按 byte 方式解析。這是網(wǎng)上討論得最多的 encoding 問(wèn)題。因?yàn)檫@是設(shè)計(jì)缺陷，只能以 bin 方式重新解析得到的字符串；或者以 hack HttpUtils 類(lèi)的方式解決。參考文章 2 均有介紹，不過(guò)最好將其中的中文 encoding ??????、 CP1381 都改為 GBK，否則遇到 GBK 漢字時(shí)，還是會(huì)有問(wèn)題。
Servlet API 2.3 提供一個(gè)新的函數(shù) HttpServeletRequest.setCharacterEncoding 用于在調(diào)用 request.getParameter(“param_name”) 前指定應(yīng)用程序希望的 encoding，這將有助于徹底解決這個(gè)問(wèn)題。
4.3 IBM Websphere Application Server 中的解決方法

WebSphere Application Server 對(duì)標(biāo)準(zhǔn)的 Servlet API 2.x 作了擴(kuò)展，提供較好的多語(yǔ)言支持。運(yùn)行在中文的操作系統(tǒng)中，可以不作任何設(shè)置就可以很好地處理漢字。下面的說(shuō)明只是對(duì)WAS是運(yùn)行在英文的系統(tǒng)中，或者需要有GBK支持時(shí)有效。

上述c,d情況，WAS 都要查詢 Browser 的語(yǔ)言設(shè)置，在缺省狀況下， zh, zh-cn 等均被映射為 JAVA encoding CP1381（注意： CP1381 只是等同于 ?????? 的一個(gè) codepage，沒(méi)有 GBK 支持）。這樣做我想是因?yàn)闊o(wú)法確認(rèn) Browser 運(yùn)行的操作系統(tǒng)是支持??????, 還是 GBK，所以取其小。但是實(shí)際的應(yīng)用系統(tǒng)還是要求頁(yè)面中出現(xiàn) GBK 漢字，最著名的是朱總理名字中的“ 主站蜘蛛池模板：五大连池市| 桓仁| 乳山市| 宽城| 宜君县| 津市市| 穆棱市| 斗六市| 安国市| 兰溪市| 金乡县| 临江市| 祁门县| 梧州市| 楚雄市| 宝山区| 保亭| 辰溪县| 夏河县| 沽源县| 四川省| 海安县| 环江| 富顺县| 合川市| 壶关县| 莱阳市| 金昌市| 府谷县| 琼海市| 修水县| 峡江县| 宜丰县| 晋中市| 富民县| 靖州| 绥芬河市| 江北区| 普格县| 防城港市| 秭归县|

国产探花免费观看_亚洲丰满少妇自慰呻吟_97日韩有码在线_资源在线日韩欧美_一区二区精品毛片,辰东完美世界有声小说,欢乐颂第一季,yy玄幻小说排行榜完本

JSP/Servlet 中的漢字編碼問(wèn)題