JAVA字元集詳解

1. 概述 

本文主要包括以下幾個方面：編碼基本知識，java，系統軟體，url，工具軟體等。 

    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 

    屬於單位元組編碼，最多能表示的字元範圍是0-255，應用於英文系列。比如，字母'a'的編碼為0x61=97。 

    很明顯，iso8859-1編碼錶示的字元範圍很窄，無法表示中文字元。但是，由於是單位元組編碼，和電腦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，預設使用該編碼。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"兩個字元，使用iso8859-1編碼的時候則將它拆開為4個位元組來表示："d6 d0 ce c4"（事實上，在進行儲存的時候，也是以位元組為單位處理的）。而如果是UTF編碼，則是6個位元組"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，是雙位元組編碼，而英文字母和iso8859-1一致（相容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隻能表示簡體字，gbk是相容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元，而且是定長雙位元組（也有四位元組的）編碼，包括英文字母在內。所以可以說它是不相容iso8859-1編碼的，也不相容任何編碼。不過，相對於iso8859-1編碼來說，uniocode編碼只是在前面增加了一個0位元組，比如字母'a'為"00 61"。 

需要說明的是，定長編碼便於電腦處理（注意GB2312/GBK不是定長編碼），而unicode又可以用來表示所有字元，所以在很多軟體內部是使用unicode編碼來處理的，比如java。 

2.4. UTF 

    考慮到unicode編碼不相容iso8859-1編碼，而且容易佔用更多的空間：因為對於英文字母，unicode也需要兩個位元組來表示。所以unicode不便於傳輸和儲存。因此而產生了utf編碼，utf編碼相容iso8859-1編碼，同時也可以用來表示所有語言的字元，不過，utf編碼是不定長編碼，每一個字元的長度從1-6個位元組不等。另外，utf編碼內建簡單的校正功能。一般來講，英文字母都是用一個位元組表示，而漢字使用三個位元組。 

    注意，雖然說utf是為了使用更少的空間而使用的，但那隻是相對於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個位元組，但即使對於漢字網頁，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元。 

3. java對字元的處理 

    在java應用軟體中，會有多處涉及到字元集編碼，有些地方需要進行正確的設定，有些地方需要進行一定程度的處理。 

3.1. getBytes(charset) 

   這是java字串處理的一個標準函數，其作用是將字串所表示的字元按照charset編碼，並以位元組方式表示。注意字串在java記憶體中總是按unicode編碼儲存的。比如"中文"，正常情況下（即沒有錯誤的時候）儲存為"4e2d 6587"，如果charset為"gbk"，則被編碼為"d6d0 cec4"，然後返回位元組"d6 d0 ce c4"。如果charset為"utf8"則最後是"e4 b8 ad e6 96 87"。如果是"iso8859-1"，則由於無法編碼，最後返回 "3f 3f"（兩個問號）。 

3.2. new String(charset) 

    這是java字串處理的另一個標準函數，和上一個函數的作用相反，將位元組數組按照charset編碼進行組合識別，最後轉換為unicode儲存。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最後變成了"003f 003f"（兩個問號）。 

    因為utf8可以用來表示/編碼所有字元，所以new String( str.getBytes( "utf8" ), "utf8" ) === str，即完全可逆。 

3.3. setCharacterEncoding() 

    該函數用來設定http請求或者相應的編碼。 

     對於request，是指提交內容的編碼，指定後可以通過getParameter()則直接獲得正確的字串，如果不指定，則預設使用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，而後續的getParameter()不再進行分析，所以setCharacterEncoding()無效。而對於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。 

    對於response，則是指定輸出內容的編碼，同時，該設定會傳遞給瀏覽器，告訴瀏覽器輸出內容所採用的編碼。 

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，記憶體中以unicode編碼則為4e2d 6587。 

l 使用者輸入的編碼方式和頁面指定的編碼有關，也和使用者的作業系統有關，所以是不確定的，上例以gbk為例。 

    從browser到web server，可以在表單中指定提交內容時使用的字元集，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，則其編碼往往是作業系統本身的編碼，因為這時和頁面無關。上述仍舊以gbk編碼為例。 

    Web server接收到的是位元組流，預設時（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。但如果預先設定了編碼（通過request. setCharacterEncoding ()），則能夠直接擷取到正確的結果。 

    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。

 

.4.2. 檔案編譯 

     假設檔案是gbk編碼儲存的，而編譯有兩種編碼選擇：gbk或者iso8859-1，前者是中文windows的預設編碼，後者是linux的預設編碼，當然也可以在編譯時間指定編碼。 

     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編碼儲存，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 檔案可以以多種編碼方式儲存，中文windows下，預設為ansi/gbk。 

    編譯器讀取檔案時，需要得到檔案的編碼，如果未指定，則使用系統預設編碼。一般class檔案，是以系統預設編碼儲存的，所以編譯不會出問題，但對於jsp檔案，如果在中文windows下編輯儲存，而部署在英文linux下運行/編譯，則會出現問題。所以需要在jsp檔案中用pageEncoding指定編碼。 

    Java編譯的時候會轉換成統一的unicode編碼處理，最後儲存的時候再轉換為utf編碼。 

    當系統輸出字元的時候，會按指定編碼輸出，對於中文windows下，System.out將使用gbk編碼，而對於response（瀏覽器），則使用jsp檔案頭指定的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。對於中文，應該為browser指定輸出字串的編碼。 

    browser顯示網頁的時候，首先使用response中指定的編碼（jsp檔案頭指定的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. 幾處設定 

對於web應用程式，和編碼有關的設定或者函數如下。 

3.5.1. jsp編譯 

    指定檔案的儲存編碼，很明顯，該設定應該置於檔案的開頭。例如：。另外，對於一般class檔案，可以在編譯的時候指定編碼。 

3.5.2. jsp輸出 

     指定檔案輸出到browser是使用的編碼，該設定也應該置於檔案的開頭。例如：。該設定和response.setCharacterEncoding("GBK")等效。 

3.5.3. meta設定 

    指定網頁使用的編碼，該設定對靜態網頁尤其有作用。因為靜態網頁無法採用jsp的設定，而且也無法執行response.setCharacterEncoding()。例如： 

    如果同時採用了jsp輸出和meta設定兩種編碼指定方式，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有一個設定可以給無編碼指定的網頁指定編碼，該指定等同於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定。 

3.5.4. form設定 

     當瀏覽器提交表單的時候，可以指定相應的編碼。例如：。一般不必不使用該設定，瀏覽器會直接使用網頁的編碼。 

4. 系統軟體 

下面討論幾個相關的系統軟體。 

4.1. mysql資料庫 

     很明顯，要支援多語言，應該將資料庫的編碼設定成utf或者unicode，而utf更適合與儲存。但是，如果中文資料中包含的英文字母很少，其實unicode更為適合。 

     資料庫的編碼可以通過mysql的設定檔設定，例如default-character-set=utf8。還可以在資料庫連結URL中設定，例如： useUnicode=true&characterEncoding=UTF-8。注意這兩者應該保持一致，在新的sql版本裡，在資料庫連結URL裡可以不進行設定，但也不能是錯誤的設定。 

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定為UTF-8，最好關閉該功能。 

另外，apache還有單獨的模組來處理網頁回應標頭，其中也可能對編碼進行設定。 

4.3. linux預設編碼 

    這裡所說的linux預設編碼，是指運行時的環境變數。兩個重要的環境變數是LC_ALL和LANG，預設編碼會影響到java URLEncode的行為，下面有描述。 

建議都設定為"zh_CN.UTF-8"。 

4.4. 其它 

    為了支援中文檔案名稱，linux在載入磁碟時應該指定字元集，例如：mount /dev/hda5 /mnt/hda5/ -t ntfs -o iocharset=gb2312。 

    另外，如前所述，使用GET方法提交的資訊不支援request.setCharacterEncoding()，但可以通過tomcat的設定檔指定字元集，在tomcat的server.xml檔案中，形如：。這種方法將統一設定所有請求，而不能針對具體頁面進行設定，也不一定和browser使用的編碼相同，所以有時候並不是所期望的。 

5. URL地址 

    URL地址中含有中文字元是很麻煩的，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 

    對於URL中的一些特殊字元，瀏覽器會自動進行編碼。這些字元除了"/?&"等外，還包括unicode字元，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將會對特殊字元進行UTF-8編碼，同時進行URL編碼。如果改選項無效，則使用預設編碼"GBK"，並且不進行URL編碼。但是，對於URL後面的參數，則總是不進行編碼，相當於UTF-8選項無效。比如"中文.html?a=中文"，當UTF-8選項有效時，將發送連結"%e4%b8%ad%e6%96%87.html?a=/x4e/x2d/x65/x87"；而UTF-8選項無效時，將發送連結"/x4e/x2d/x65/x87.html?a=/x4e/x2d/x65/x87"。注意後者前面的"中文"兩個字只有4個位元組，而前者卻有18個位元組，這主要時URL編碼的原因。 

    當web server（tomcat）接收到該連結時，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來設定成其它編碼）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"兩個字恢複成了6個字元。這裡用"/u"，表示是unicode。 

     所以，由於用戶端設定的不同，相同的連結，在伺服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使用者嘗試關閉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模組，這裡不描述其功能。需要說明的是該模組會自動將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，但我實驗並未成功，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本身似乎完全是採用位元組處理的方式，而不考慮字串的編碼，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，該方法使用系統預設編碼，這會導致軟體運行結果得不確定。比如對於"中文"，當系統預設編碼為"gb2312"時，結果是"%4e%2d%65%87"，而預設編碼為"UTF-8"，結果卻是"%e4%b8%ad%e6%96%87"，後續程式將難以處理。另外，這兒說的系統預設編碼是由運行tomcat時的環境變數LC_ALL和LANG等決定的，曾經出現過tomcat重啟後就出現亂碼的問題，最後才鬱悶的發現是因為修改修改了這兩個環境變數。 

建議統一指定為"UTF-8"編碼，可能需要修改相應的程式。 

5.4. 一個解決方案 

    上面說起過，因為瀏覽器設定的不同，對於同一個連結，web server收到的是不同內容，而軟體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，不應該僥倖認為所有客戶的IE設定都是UTF-8有效，也不應該粗暴的建議使用者修改IE設定，要知道，使用者不可能去記住每一個web server的設定。所以，接下來的解決辦法就只能是讓自己的程式多一點智能：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連結內容，來判斷是否是正確的UTF-8字元，如果是，則以UTF-8處理之，如果不是，則使用客戶預設編碼（比如"GBK"），下面是一個判斷是否UTF-8的例子，如果你瞭解相應規律，就容易理解。 

public static boolean isValidUtf8(byte[] b,int aMaxCount){ 

       int lLen=b.length,lCharCount=0; 

       for(int i=0;i
              byte lByte=b[i++];//to fast operation, ++ now, ready for the following for(;;) 

              if(lByte>=0) continue;//>=0 is normal ascii 

              if(lByte<(byte)0xc0 || lByte>(byte)0xfd) return false; 

              int lCount=lByte>(byte)0xfc?5:lByte>(byte)0xf8?4 

                     :lByte>(byte)0xf0?3:lByte>(byte)0xe0?2:1; 

              if(i+lCount>lLen) return false; 

              for(int j=0;j=(byte)0xc0) return false; 

       } 

       return true; 

} 

相應地，一個使用上述方法的例子如下： 

public static String getUrlParam(String aStr,String aDefaultCharset) 

throws UnsupportedEncodingException{ 

       if(aStr==null) return null; 

       byte[] lBytes=aStr.getBytes("ISO-8859-1"); 

       return new String(lBytes,StringUtil.isValidUtf8(lBytes)?"utf8":aDefaultCharset); 

} 

不過，該方法也存在缺陷，如下兩方面： 

    沒有包括對使用者預設編碼的識別，這可以根據請求資訊的語言來判斷，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。 

    可能會錯誤判斷UTF-8字元，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，而且也採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。 

    最後，應該補充說明一下，如果不使用rewrite規則，或者通過表單提交資料，其實並不一定會遇到上述問題，因為這時可以在提交資料時指定希望的編碼。另外，中文檔案名稱確實會帶來問題，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 

    除了瀏覽器和控制台與編碼有關外，一些用戶端也很有關係。比如在使用SecureCRT串連linux時，應該讓SecureCRT的顯示編碼（不同的session，可以有不同的編碼設定）和linux的編碼環境變數保持一致。否則看到的一些協助資訊，就可能是亂碼。 

    另外，mysql有自己的編碼設定，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元，查詢結果也會出現亂碼。 

    對於Utf-8檔案，很多編輯器（比如記事本）會在檔案開頭增加三個不可見的標誌位元組，如果作為mysql的輸入檔案，則必須要去掉這三個字元。（用linux的vi儲存可以去掉這三個字元）。一個有趣的現象是，在中文windows下，建立一個新txt檔案，用記事本開啟，輸入"連通"兩個字，儲存，再開啟，你會發現兩個字沒了，只留下一個小黑點。 

6.2. 過濾器 

    如果需要統一設定編碼，則通過filter進行設定是個不錯的選擇。在filter class中，可以統一為需要的請求或者回應設定編碼。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提交資訊時，URL有更好的可讀性，而且可以方便的使用setCharacterEncoding()來處理字元集問題。但GET方法形成的URL能夠更容易表達網頁的實際內容，也能夠用於收藏。 

    從統一的角度考慮問題，建議採用GET方法，這要求在程式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，可以考慮通過設定URIEncoding來方便擷取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，由於編碼不同，在GBK編碼下屬於兩個字。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編碼的資料，也應該轉化成相應的簡體字。當然，仍舊以UTF編碼儲存。 

    例如，對於"語言 ?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後應該是兩個相同的 "/xE8/xAF/xAD/xE8/xA8/x80>"。