深入剖析JSP和Servlet對中文的處理

世界上的各地區都有本地的語言。地區差異直接導致了語言環境的差異。在開發一個國際化程式的過程中，處理語言問題就顯得很重要了。

這是一個世界範圍內都存在的問題，所以，Java提供了世界性的解決方案。本文描述的方法是用於處理中文的，但是，推而廣之，對於處理世界上其它國家和地區的語言同樣適用。

漢字是雙位元組的。所謂雙位元組是指一個雙字要佔用兩個BYTE的位置（即16位），分別稱為高位和低位。中國規定的漢字編碼為GB2312，這是強制性的，目前幾乎所有的能處理中文的應用程式都支援GB2312。GB2312包括了一二級漢字和9區符號，高位從0xa1到0xfe，低位也是從0xa1到0xfe，其中，漢字的編碼範圍為0xb0a1到0xf7fe。

另外有一種編碼，叫做GBK，但這是一份規範，不是強制的。GBK提供了20902個漢字，它相容GB2312，編碼範圍為0x8140到0xfefe。GBK中的所有字元都可以一一映射到Unicode 2.0。

在不久的將來，中國會頒布另一種標準：GB18030-2000（GBK2K）。它收錄了藏、蒙等少數民族的字型，從根本上解決了字位不足的問題。注意：它不再是定長的。其二位元組部份與GBK相容，四位元組部分是擴充的字元、字形。它的首位元組和第三位元組從0x81到0xfe，二位元組和第四位元組從0x30到0x39。

本文不打算介紹Unicode，有興趣的可以瀏覽“http://www.unicode.org/”查看更多的資訊。Unicode有一個特性：它包括了世界上所有的字元字形。所以，各個地區的語言都可以建立與Unicode的映射關係，而Java正是利用了這一點以達到異種語言之間的轉換。

在JDK中，與中文相關的編碼有：

表1　JDK中與中文相關的編碼列表

編碼名稱	說明
ASCII	7位，與ascii7相同
ISO8859-1	8-位，與 8859_1,ISO-8859-1,ISO_8859-1,latin1...等相同
GB2312-80	16位，與gb2312,gb2312-1980,EUC_CN,euccn,1381,Cp1381, 1383, Cp1383, ISO2022CN,ISO2022CN_GB...等相同
GBK	與MS936相同，注意：區分大小寫
UTF8	與UTF-8相同
GB18030	與cp1392、1392相同，目前支援的JDK很少

在實際編程時，接觸得比較多的是GB2312（GBK）和ISO8859-1。

為什麼會有“?”號

上文說過，異種語言之間的轉換是通過Unicode來完成的。假設有兩種不同的語言A和B，轉換的步驟為：先把A轉化為Unicode，再把Unicode轉化為B。

舉例說明。有GB2312中有一個漢字“李”，其編碼為“C0EE”，欲轉化為ISO8859-1編碼。步驟為：先把“李”字轉化為Unicode，得到“674E”，再把“674E”轉化為ISO8859-1字元。當然，這個映射不會成功，因為ISO8859-1中根本就沒有與“674E”對應的字元。

當映射不成功時，問題就發生了！當從某語言向Unicode轉化時，如果在某語言中沒有該字元，得到的將是Unicode的代碼“\uffffd”（“\u”表示是Unicode編碼，）。而從Unicode向某語言轉化時，如果某語言沒有對應的字元，則得到的是“0x3f”（“?”）。這就是“?”的由來。

例如：把字元流buf =“0x80 0x40 0xb0 0xa1”進行new String(buf, "gb2312")操作，得到的結果是“\ufffd\u554a”，再println出來，得到的結果將是“?啊”，因為“0x80 0x40”是GBK中的字元，在GB2312中沒有。

再如，把字串String="\u00d6\u00ec\u00e9\u0046\u00bb\u00f9"進行new String (buf.getBytes("GBK"))操作，得到的結果是“3fa8aca8a6463fa8b4”，其中，“\u00d6”在“GBK”中沒有對應的字元，得到“3f”，“\u00ec”對應著“a8ac”，“\u00e9”對應著“a8a6”，“0046”對應著“46”（因為這是ASCII字元），“\u00bb”沒找到，得到“3f”，最後，“\u00f9”對應著“a8b4”。把這個字串println一下，得到的結果是“?ìéF?ù”。看到沒？這裡並不全是問號，因為GBK與Unicode映射的內容中除了漢字外還有字元，本例就是最好的明證。

所以，在漢字轉碼時，如果發生錯亂，得到的不一定都是問號噢！不過，錯了終究是錯了，50步和100步並沒有質的差別。

或者會問：如果源字元集中有，而Unicode中沒有，結果會如何？回答是不知道。因為我手頭沒有能做這個測試的源字元集。但有一點是肯定的，那就是源字元集不夠規範。在Java中，如果發生這種情況，是會拋出異常的。