java认证:Java字符集笔记Java认证考试

文章作者 100test 发表时间 2009:06:15 08:58:29
来源 100Test.Com百考试题网

　　1.概述
　　本文主要包括以下几个方面：编码基本知识，java，系统软件，url，工具软件等。
　　在下面的描述中，将以"中文"两个字为例，经查表可以知道其GB2312编码是"d6d0 cec4"，Unicode编码为"4e2d 6587"，UTF编码就是"e4b8ad e69687".注意，这两个字没有iso8859-1编码，但可以用iso8859-1编码来"表示".
　　2. 编码基本知识
　　最早的编码是iso8859-1，和ascii编码相似。但为了方便表示各种各样的语言，逐渐出现了很多标准编码，重要的有如下几个。
　　2.1. iso8859-1
　　属于单字节编码，最多能表示的字符范围是0-255，应用于英文系列。比如，字母a的编码为0x61=97.
　　很明显，iso8859-1编码表示的字符范围很窄，无法表示中文字符。但是，由于是单字节编码，和计算机最基础的表示单位一致，所以很多时候，仍旧使用iso8859-1编码来表示。而且在很多协议上，默认使用该编码。比如，虽然"中文"两个字不存在iso8859-1编码，以gb2312编码为例，应该是"d6d0 cec4"两个字符，使用iso8859-1编码的时候则将它拆开为4个字节来表示："d6 d0 ce c4"（事实上，在进行存储的时候，也是以字节为单位处理的）。而如果是UTF编码，则是6个字节"e4 b8 ad e6 96 87".很明显，这种表示方法还需要以另一种编码为基础。
　　2.2. GB2312/GBK
　　这就是汉子的国标码，专门用来表示汉字，是双字节编码，而英文字母和iso8859-1一致（兼容iso8859-1编码）。其中gbk编码能够用来同时表示繁体字和简体字，而gb2312只能表示简体字，gbk是兼容gb2312编码的。
　　2.3. unicode
　　这是最统一的编码，可以用来表示所有语言的字符，而且是定长双字节（也有四字节的）编码，包括英文字母在内。所以可以说它是不兼容iso8859-1编码的，也不兼容任何编码。不过，相对于iso8859-1编码来说，uniocode编码只是在前面增加了一个0字节，比如字母a为"00 61".
　　需要说明的是，定长编码便于计算机处理（注意GB2312/GBK不是定长编码），而unicode又可以用来表示所有字符，所以在很多软件内部是使用unicode编码来处理的，比如java.
　　2.4. UTF
　　考虑到unicode编码不兼容iso8859-1编码，而且容易占用更多的空间：因为对于英文字母，unicode也需要两个字节来表示。所以unicode不便于传输和存储。因此而产生了utf编码，utf编码兼容iso8859-1编码，同时也可以用来表示所有语言的字符，不过，utf编码是不定长编码，每一个字符的长度从 1-6个字节不等。另外，utf编码自带简单的校验功能。一般来讲，英文字母都是用一个字节表示，而汉字使用三个字节。
　　注意，虽然说utf是为了使用更少的空间而使用的，但那只是相对于unicode编码来说，如果已经知道是汉字，则使用GB2312/GBK无疑是最节省的。不过另一方面，值得说明的是，虽然utf编码对汉字使用3个字节，但即使对于汉字网页，utf编码也会比unicode编码节省，因为网页中包含了很多的英文字符。
　　3. java对字符的处理
　　在java应用软件中，会有多处涉及到字符集编码，有些地方需要进行正确的设置，有些地方需要进行一定程度的处理。
　　3.1. getBytes（charset）
　　这是java字符串处理的一个标准函数，其作用是将字符串所表示的字符按照charset编码，并以字节方式表示。注意字符串在java内存中总是按 unicode编码存储的。比如"中文"，正常情况下（即没有错误的时候）存储为"4e2d 6587"，如果charset为"gbk"，则被编码为"d6d0 cec4"，然后返回字节"d6 d0 ce c4".如果charset为"utf8"则最后是"e4 b8 ad e6 96 87".如果是"iso8859-1"，则由于无法编码，最后返回 "3f 3f"（两个问号）。
　　3.2. new String（charset）
　　这是java字符串处理的另一个标准函数，和上一个函数的作用相反，将字节数组按照charset编码进行组合识别，最后转换为unicode存储。参考上述getBytes的例子，"gbk" 和"utf8"都可以得出正确的结果"4e2d 6587"，但iso8859-1最后变成了"003f 003f"（两个问号）。
　　因为utf8可以用来表示/编码所有字符，所以new String（ str.getBytes（ "utf8" ）， "utf8" ） === str，即完全可逆。
　　3.3. setCharacterEncoding（）
　　该函数用来设置http请求或者相应的编码。
　　对于request，是指提交内容的编码，指定后可以通过getParameter（）则直接获得正确的字符串，如果不指定，则默认使用 iso8859-1编码，需要进一步处理。参见下述"表单输入".值得注意的是在执行setCharacterEncoding（）之前，不能执行任何 getParameter（）。java doc上说明：This method must be called prior to reading request parameters or reading input using getReader（）。而且，该指定只对POST方法有效，对GET方法无效。分析原因，应该是在执行第一个getParameter（）的时候，java将会按照编码分析所有的提交内容，而后续的getParameter（）不再进行分析，所以setCharacterEncoding（）无效。而对于GET方法提交表单是，提交的内容在URL中，一开始就已经按照编码分析所有的提交内容，setCharacterEncoding（）自然就无效。
　　对于response，则是指定输出内容的编码，同时，该设置会传递给浏览器，告诉浏览器输出内容所采用的编码。
　　3.4. 处理过程
　　下面分析两个有代表性的例子，说明java对编码有关问题的处理方法。
　　3.4.1. 表单输入
　　User input *（gbk：d6d0 cec4） browser *（gbk：d6d0 cec4） web server iso8859-1（00d6 00d 000ce 00c4） class，需要在class中进行处理：getbytes（"iso8859-1"）为d6 d0 ce c4，new String（"gbk"）为d6d0 cec4，内存中以unicode编码则为4e2d 6587.
　　用户输入的编码方式和页面指定的编码有关，也和用户的操作系统有关，所以是不确定的，上例以gbk为例。
　　从browser到web server，可以在表单中指定提交内容时使用的字符集，否则会使用页面指定的编码。而如果在url中直接用？的方式输入参数，则其编码往往是操作系统本身的编码，因为这时和页面无关。上述仍旧以gbk编码为例。
　　Web server接收到的是字节流，默认时（getParameter）会以iso8859-1编码处理之，结果是不正确的，所以需要进行处理。如 http://www.5a520.cn 小说520网 但如果预先设置了编码（通过request. setCharacterEncoding （）），则能够直接获取到正确的结果。
　　在页面中指定编码是个好习惯，否则可能失去控制，无法指定正确的编码。
　　3.4.2. 文件编译
　　假设文件是gbk编码保存的，而编译有两种编码选择：gbk或者iso8859-1，前者是中文windows的默认编码，后者是linux的默认编码，当然也可以在编译时指定编码。
　　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编码保存，而用iso8859-1编译的结果是不正确的。
　　class unicode（4e2d 6587） system.out / jsp.out gbk（d6d0 cec4） os console / browser.
　　文件可以以多种编码方式保存，中文windows下，默认为ansi/gbk.
　　编译器读取文件时，需要得到文件的编码，如果未指定，则使用系统默认编码。一般class文件，是以系统默认编码保存的，所以编译不会出问题，但对于jsp文件，如果在中文windows下编辑保存，而部署在英文linux下运行/编译，则会出现问题。所以需要在jsp文件中用pageEncoding指定编码。
　　Java编译的时候会转换成统一的unicode编码处理，最后保存的时候再转换为utf编码。
　　当系统输出字符的时候，会按指定编码输出，对于中文windows下，System.out将使用gbk编码，而对于response（浏览器），则使用 jsp文件头指定的contentType，或者可以直接为response指定编码。同时，会告诉browser网页的编码。如果未指定，则会使用 iso8859-1编码。对于中文，应该为browser指定输出字符串的编码。
　　browser显示网页的时候，首先使用response中指定的编码（jsp文件头指定的contentType最终也反映在response上），如果未指定，则会使用网页中meta项指定中的contentType.
　　3.5. 几处设置
　　对于web应用程序，和编码有关的设置或者函数如下。
　　3.5.1. jsp编译
　　指定文件的存储编码，很明显，该设置应该置于文件的开头。例如：<%@page pageEncoding="GBK"%>.另外，对于一般class文件，可以在编译的时候指定编码。
　　3.5.2. jsp输出
　　指定文件输出到browser是使用的编码，该设置也应该置于文件的开头。例如：<%@ page contentType="text/html； charset= GBK" %>.该设置和response.setCharacterEncoding（"GBK"）等效。
　　3.5.3. meta设置
　　指定网页使用的编码，该设置对静态网页尤其有作用。因为静态网页无法采用jsp的设置，而且也无法执行 response.setCharacterEncoding（）。例如：
　　如果同时采用了jsp输出和meta设置两种编码指定方式，则jsp指定的优先。因为jsp指定的直接体现在response中。
　　需要注意的是，apache有一个设置可以给无编码指定的网页指定编码，该指定等同于jsp的编码指定方式，所以会覆盖静态网页中的meta指定。所以有人建议关闭该设置。
　　3.5.4. form设置
　　当浏览器提交表单的时候，可以指定相应的编码。例如：

.一般不必不使用该设置，浏览器会直接使用网页的编码。