java-汉字问题深入谈

80酷酷网    80kuku.com

  汉字|问题一、主题:关于JAVA的中文问题
JAVA的中文问题比较突出,主要表现在控制面板输出,JSP页面输出和数据库访问上。
本文尽量避开字体问题,而只谈编码。通过本文,你可以了解JAVA中文问题的由来,问题
的解决方法,其中提了一下用JDBC访问数据库的方法。

二、问题描述:
1)在中文W2000中文窗口编译和运行,用的是国际版的JDK,连接的是中文W2000下的Cp936
编码的SQL SERVER数据库:

J:\exercise\demo\encode\HelloWorld>make
Created by XCompiler. PhiloSoft All Rights Reserved.
Wed May 30 02:54:45 CST 2001

J:\exercise\demo\encode\HelloWorld>run
Created by XRunner. PhiloSoft All Rights Reserved.
Wed May 30 02:51:33 CST 2001
中文
[B7bc8b569
[B7b08b569
[B7860b569
中文
中文
????
中文
中文
????
??
??
??

2)如果在中文W2000的西文窗口(编码为437)下编译,用JAVA运行则由于无字体而无法正
常显示,如果象上面一样在中文W2000的中文窗口运行,输出为:

J:\exercise\demo\encode\HelloWorld>run
Created by XRunner. PhiloSoft All Rights Reserved.
Wed May 30 02:51:33 CST 2001
????
[B7bc0b66a
[B7b04b66a
[B7818b66a
????
????
????
????
????
????
中文
中文
????

三)分析

1)出现有乱码(也就是?)。由于只出现?而没出现小方框,说明只是编码有问题,而不
是字体问题。 在编码中,如果从一种字符集转换到别一种字符集,比较典型的是从GB2312
转换到ISO8859_1(即ASCII),那么很多汉字(半个汉字)是无法映射到西文字符中去的
,在这种情形下,系统就把这些字符用?代替。同样,也存在小字符集无法到大字符集的
情况,具体原因这里就不详谈了。

2)出现了中文环境编译,中文环境运行时汉字显示有正确也有不正确的地方,同样,在西
文环境下编译,在中文环境下运行时也出现类似情况。这是由于自动(默认)或手工(也
就new String(bytes[,encode])和bytes getBytes([encode]))转码的结果。

2.1)在JAVA源文件-->JAVAC-->Class-->Java-->getBytes()-->new String()-->显示的过
程中,每一步都有编码的转换过程,这个过程总是存在的,只是有的时候用默认的参数进
行。下面我们一步一步分析为什么出现上面的情形。

2.2)这里是源代码:

HelloWorld.java:
------------------------
public class HelloWorld
{
public static void main(String[] argv){
try{
System.out.println("中文");//1
System.out.println("中文".getBytes());//2
System.out.println("中文".getBytes("GB2312"));//3
System.out.println("中文".getBytes("ISO8859_1"));//4

System.out.println(new String("中文".getBytes()));//5
System.out.println(new String("中文".getBytes(),"GB2312"));//6
System.out.println(new String("中文".getBytes(),"ISO8859_1"));//7

System.out.println(new String("中文".getBytes("GB2312")));//8
System.out.println(new String("中文".getBytes("GB2312"),"GB2312"));//9
System.out.println(new

String("中文".getBytes("GB2312"),"ISO8859_1"));//10

System.out.println(new String("中文".getBytes("ISO8859_1")));//11
System.out.println(new

String("中文".getBytes("ISO8859_1"),"GB2312"));//12
System.out.println(new

String("中文".getBytes("ISO8859_1"),"ISO8859_1"));//13
}
catch(Exception e){
e.printStackTrace();
}
}
}

为了方便起见,在每个转换的后面加了操作序号,分别为1,2,...,13。

2.3)需要说明的是,JAVAC是以系统默认编码读入源文件,然后按UNICODE进行编码的。在
JAVA运行的时候,JAVA也是采用UNICODE编码的,并且默认输入和输出的都是操作系统的默
认编码,也就是说在new String(bytes[,encode])中,系统认为输入的是编码为encode的
字节流,换句话说,如果按encode来翻译bytes才能得到正确的结果,这个结果最后要在JA
VA中保存,它还是要从这个encode转换成Unicode,也就是说有bytes-->encode字符-->Uni
code字符的转换;而在String.getBytes([encode])中,系统要做一个Unicode字符-->enco
de字符-->bytes的转换。

在这个例子中,除那个英文窗口编码的时候除外,其实情形下默认编码都是GBK(在本例中
,我们暂且把GBK和GB2312等同看待)。

2.4)由于在未指明在上面的两个用代码实现的转换中,如果未指定encode,系统将采用默
认的编码(这里为GBK),我们认为上面的5,6,7和8,9,10是一样的,8和9、11和12也是一
样的,所以我们在讨论中将只讨论1,9,10,12,13。其中的2,3,4只是用于测试,不在我们的
讨论范围之内。

2.5)下面我们来跟踪程序中的“中”字的转换历程,我们先说在中文窗口下作的编译和运
行过程,注意在下面的字母下标中,我有意识地使用了一些数字,以表示相同,相异还是
相关2.5.1)我们先以上面的13个代码段中的的代码9为例:

步骤 内容 地点 说明
01: C1 HelloWorld.java C1泛指一个GBK字符
02: U1 JAVAC读取 U1泛指一个Unicode字符
03: C1 getBytes()第一步 JAVA先和操作系统交流
04: B1,B2 getBytes()第二步 然后返回字节数组
05: C1 new String()第一步 JAVA先和操作系统交流
06: U1 new String()第二步 然后返回字符
07: C1 println(String) 能显示“中”字,内容和原来的相同

2.5.2)然后再以代码段10为例,我们注意到只是:

步骤 内容 地点 说明
01: C1 HelloWorld.java C1泛指一个GBK字符
02: U1 JAVAC读取 U1泛指一个Unicode字符
03: C1 getBytes()第一步 JAVA先和操作系统交流
04: B1,B2 getBytes()第二步 然后返回字节数组
05: C3,C4 new String()第一步 JAVA先和操作系统交流,这时解析错误
06: U5,U6 new String()第二步 然后返回字符
07: C3,C4 println(String) 由于中字给分成了两半,在ISO8859_1中刚好也没有字符

能映射上,所以显示为“??”。在上面的示例中,
“中文”两个字就显示为“????”
2.5.3)在完全中文模式下的其它情形类似,我就不多说了

2.6)我们接着看为什么在西文DOS窗口下编译出来的类在中文窗口下也出现类似情形,特
别是为什么居然有的情形下还能正确显示汉字。

2.6.1)我们还是先以代码段9为例:

步骤 内容 地点 说明
01: C1C2 HelloWorld.java C1C2分别泛指一个ISO8859_1字符,“中”字被拆开
02: U3U4 JAVAC读取 U1U2泛指一个Unicode字符
03: C5C6 getBytes()第一步 JAVA先和操作系统交流,这时解析错误
04: B5B6B7B8 getBytes()第二步 然后返回字节数组
05: C5C6 new String()第一步 JAVA先和操作系统交流
06: U3U4 new String()第二步 然后返回字符
07: C5C6 println(String) 虽然同是两个字符,但已不是最初的“两个ISO8859_1字

符”,而是“两个BGK字符”,“中”显示成了“??”
而“中文”就显示成了“????”

2.6.2)下面我们以代码段12为例,因为它能正确显示汉字

步骤 内容 地点 说明

01: C1C2 HelloWorld.java C1C2分别泛指一个ISO8859_1字符,“中”字被拆开
02: U3U4 JAVAC读取 U1U2泛指一个Unicode字符
03: C1C2 getBytes()第一步 JAVA先和操作系统交流(注意还是正确的哦!)
04: B5B6 getBytes()第二步 然后返回字节数组(这是很关键的一步!)
05: C12 new String()第一步 JAVA先和操作系统交流(这是更关键的一步,JAVA已经知
道B5B6要解析成一个汉字!)
06: U7 new String()第二步 然后返回字符(真是一个项两!U7包含了U3U4的信息)
07: C12 println(String) 这就原来的“中”字,很委屈被JAVAC冤枉了一回,不过被程
序员拨乱反正了一下!当然,“中文”两个字都能正确显示了!

3)那为什么有的时候用JDBC的
new String(Recordset.getBytes(int)[,encode])
Recordset.getSting(int)
Recordset.setBytes(String.getBytes([encode]))

Recordset.setString(String)
的时候会出现乱码了呢?

其实问题就出现在编写JDBC的的也考虑了编码问题,它从数据库读取数据后,可能自作主
张做了一个从GB2312(默认编码)到Unicode的转换,我的这个WebLogic For SQL Server
的JDBC Driver就是这样的,当我读字串的时候,发出读到的不是正确的汉字,可恨的是我
却可以直接写汉字字串,这让人多少有点难以接受!
也就是说,我们不得不在读或写的时候进行转码,尽管这个转码有的时候不是那么明显,
这是因为我们使用了默认的编码进行转码。JDBC Driver所做的操作,我们只有进入到源代
码内部才能清楚,不是吗?




分享到
  • 微信分享
  • 新浪微博
  • QQ好友
  • QQ空间
点击: