再談Java中文問題

問題|中文 我來說一下tomcat如何?JSP的你就明白了。 
預備知識： 
　1.位元組和unicode 
　　Java核心是unicode的，就連class檔案也是，但是很多媒體，包括檔案/流的儲存方式 
　　是使用位元組流的。 因此Java要對這些位元組流經行轉化。char是unicode的，而byte是位元組. 
　　Java中byte/char互轉的函數在sun.io的包中間有。其中ByteToCharConverter類是中調度， 
　　可以用來告訴你，你用的Convertor。其中兩個很常用的靜態函數是 
　　 public static ByteToCharConverter getDefault() ; 
　　 public static ByteToCharConverter getConverter(String encoding); 
　　如果你不指定converter，則系統會自動使用當前的Encoding,GB平台上用GBK,EN平台上用 
　　8859_1 
　　 
　　我們來就一個簡單的例子： 
　　　　　"你"的gb碼是：0xC4E3 ,unicode是0x4F60 
　　　　　你用: 
　　　　　--encoding="gb2312"; 
　　　　　--byte b[]={(byte)’\u00c4’,(byte)’\u00E3’}; 
　　　　　--convertor=ByteToCharConverter.getConverter(encoding); 
　　　　　--char [] c=converter.convertAll(b); 
　　　　　--for(int i=0;i<c.length;c++) 
　　　　　--{ 
　　　　　-- System.out.println(Integer.toHexString(c[i])); 
　　　　　--} 
　　　　　--列印出來是0x4F60 
　　　　　--但是如果使用8859_1的編碼，列印出來是 
　　　　　--0x00C4,0x00E3 
　　　　　----例１ 
　　　　 反過來： 
　　　　 --encoding="gb2312"; 
　　　　 　　　char c[]={’\u4F60’}; 
　　　　　　　 convertor=ByteToCharConverter.getConverter(encoding); 
　　　　　--byte [] b=converter.convertAll(c); 
　　　　　--for(int i=0;i<b.length;c++) 
　　　　　--{ 
　　　　　-- System.out.println(Integer.toHexString(b[i])); 
　　　　　--} 
　　　　　　--列印出來是：0xC4,0xE3 
　　　　　　----例２ 
　　　　　　--如果用8859_1就是0x3F，?號，表示無法轉化　　　　　　-- 
　　　　　 很多中文問題就是從這兩個最簡單的類派生出來的。而卻有很多類　　 
　　不直接支援把Encoding輸入，這給我們帶來諸多不便。很多程式難得用encoding 
　　了，直接用default的encoding，這就給我們移植帶來了很多困難 
　　-- 
　　2.UTF-8 
　　--UTF-8是和Unicode一一對應的，其實現很簡單 
　　-- 
　　 -- 7位的Unicode: 0 _ _ _ _ _ _ _ 
　　--11位的Unicode: 1 1 0 _ _ _ _ _ 1 0 _ _ _ _ _ _ 
　　--16位的Unicode: 1 1 1 0 _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 
　　--21位的Unicode: 1 1 1 1 0 _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 
　　--大多數情況是只使用到16位以下的Unicode: 
　　--"你"的gb碼是：0xC4E3 ,unicode是0x4F60 
　　--我們還是用上面的例子 
　　--　　--例１：0xC4E3的二進位： 
　　--　　--　　　 1 1 0 0 0 1 0 0 1 1 1 0 0 0 1 1 
　　--　　--　　　 由於只有兩位我們按照兩位的編碼來排，但是我們發現這行不通， 
　　--　　--　　　 因為第７位不是0因此，返回"?" 
　　--　　--　　　  
　　--　　--例２：0x4F60的二進位： 
　　--　　--　　　 0 1 0 0 1 1 1 1 0 1 1 0 0 0 0 0  
　　--　　--　　　 我們用UTF-8補齊，變成： 
　　--　　--　　　 11100100 10111101 10100000 
　　--　　--　　　 E4--BD-- A0 
　　--　　--　　　 於是返回0xE4,0xBD,0xA0 
　　--　　-- 
　　3.String和byte[] 
　　--String其實核心是char[],然而要把byte轉化成String，必須經過編碼。 
　　--String.length()其實就是char數組的長度，如果使用不同的編碼，很可 
　　--能會錯分，造成散字和亂碼。 
　　--例： 
　　----byte [] b={(byte)’\u00c4’,(byte)’\u00e3’}; 
　　----String str=new String(b,encoding);　　---- 
　　----如果encoding=8859_1，會有兩個字，但是encoding=gb2312隻有一個字　　---- 
　　--這個問題在處理分頁是經常發生 
　　4.Reader,Writer/InputStream,OutputStream 
　　--Reader和Writer核心是char，InputStream和OutputStream核心是byte。 
　　--但是Reader和Writer的主要目的是要把Char讀/寫InputStream/OutputStream 
--一個reader的例子： 
--檔案test.txt只有一個"你"字，0xC4,0xE3-- 
--String encoding=; 
--InputStreamReader reader=new InputStreamReader( 
----new FileInputStream("text.txt"),encoding); 
--char []c=new char[10]; 
--int length=reader.read(c); 
--for(int i=0;i<c.length;i++) 
----System.out.println(c[i]); 
　　--如果encoding是gb2312，則只有一個字元，如果encoding=8859_1，則有兩個字元 
　　-------- 
-- 
-- 
　　 
　　 ---- 
　2.我們要對Java的編譯器有所瞭解： 
　--javac -encoding 
　 我們常常沒有用到ENCODING這個參數。其實Encoding這個參數對於跨平台的操作是很重要的。 
　 如果沒有指定Encoding，則按照系統的預設Encoding,gb平台上是gb2312，英文平台上是ISO8859_1。　  
　--Java的編譯器實際上是調用sun.tools.javac.Main的類，對檔案進行編譯，這個類　-- 
　有compile函數中間有一個encoding的變數,-encoding的參數其實直接傳給encoding變數。 
　編譯器就是根據這個變數來讀取java檔案的，然後把用UTF-8形式編譯成class檔案。 
　一個例子： 
　--public void test() 
　--{ 
　----String str="你"; 
　----FileWriter write=new FileWriter("test.txt"); 
　----write.write(str); 
　----write.close(); 
　--} 
　----例３ 
--如果用gb2312編譯，你會找到E4 BD A0的欄位 
-- 
--如果用8859_1編譯， 
--00C4 00E3的二進位： 
--00000000 11000100 00000000 11100011-- 
--因為每個字元都大於7位，因此用11位編碼： 
--11000001 10000100 11000011 10100011  
--C1-- 84--　C3--　 A3 
--你會找到C1 84 C3 A3 -- 
　　　　 
　　但是我們往往忽略掉這個參數，因此這樣往往會有跨平台的問題： 
　　--　　例３在中文平台上編譯，產生ZhClass 
　　--　　例３在英文平台上編譯，輸出EnClass 
　　--1.　 ZhClass在中文平台上執行OK,但是在英文平台上不行 
　　--2.　 EnClass在英文平台上執行OK,但是在中文平台上不行 
　　原因： 
　--1.在中文平台上編譯後，其實str在運行態的char[]是0x4F60,　---- 
　--在中文平台上運行，FileWriter的預設編碼是gb2312,因此 
　--CharToByteConverter會自動用調用gb2312的converter,把str轉化 
　--成byte輸入到FileOutputStream中，於是0xC4,0xE3放進了檔案。 
　--但是如果是在英文平台下，CharToByteConverter的預設值是8859_1, 
　--FileWriter會自動調用8859_1去轉化str,但是他無法解釋，因此他會 
　--輸出"?"　---- 
　--2.　在英文平台上編譯後，其實str在運行態的char[]是0x00C4 0x00E3,　---- 
　--在中文平台上運行，中文無法識別，因此會出現?? 
　--　　在英文平台上，0x00C4-->0xC4,0x00E3->0xE3，因此0xC4,0xE3被放進了 
　--檔案 
---- 
1.對於JSP本文的解釋： 
--Tomcat首先看一下你的葉面中有沒有"<%@page include的符號。有，則在相同 
--地方設定response.setContentType(..);按照encoding的來讀，沒有他按照8859_1 
--讀取檔案，然後用UTF-8寫成.java檔案，然後用sun.tools.Main去讀取這個檔案， 
--（當然它使用UTF-8去讀），然後編譯成class檔案 
--setContentType改變的是out的屬性，out變數預設的encoding是8859_1 

2.對Parameter的解釋 
--很不幸Parameter只有ISO8859_1的解釋，這個質料可以在servlet的實現代碼中找到。 

3.對include的解釋 
格式的，但是很不幸，由於那個寫"org.apache.jasper.compiler.Parser"的人 
在數組JspUtil.ValidAttribute[]忘記加了一個參數：encoding,因此導致不支 
持這種方式。你完全可以編譯原始碼，加上對encoding的支援 

總結： 

如果你在NT底下，最簡單的方法就是欺騙java,不加任何Encoding變數： 
<html> 
你好<%=request.getParameter("value")%> 
</html> 

http://localhost/test/test.jsp?value=你 

結果:你好你 

但這種方法局限性較大，比如對上傳的文章分段，這樣的做法是死定的，最好的 
解決方案是用這種方案： 
<%@ page contentType="text/html;charset=gb2312" %> 
<html> 
你好<%=new String(request.getParameter("value").getBytes("8859_1"),"gb2312")%> 
</html>