Java中文问题详解(转)

80酷酷网    80kuku.com

  问题|详解|中文我来说一下tomcat如何实现jsp的你就明白了。
预备知识:
 1.字节和unicode
  java内核是unicode的,就连class文件也是,但是很多媒体,包括文件/流的保存方式
  是使用字节流的。 因此java要对这些字节流经行转化。char是unicode的,而byte是字节.
  java中byte/char互转的函数在sun.io的包中间有。其中bytetocharconverter类是中调度,
  可以用来告诉你,你用的convertor。其中两个很常用的静态函数是
   public static bytetocharconverter getdefault() ;
   public static bytetocharconverter getconverter(string encoding);
  如果你不指定converter,则系统会自动使用当前的encoding,gb平台上用gbk,en平台上用
  8859_1
  
  我们来就一个简单的例子:
     "你"的gb码是: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     --{
     -- system.out.println(integer.tohexstring(c[i]));
     --}
     --打印出来是0x4f60
     --但是如果使用8859_1的编码,打印出来是
     --0x00c4,0x00e3
     ----例1
     反过来:
     --encoding="gb2312";
        char c[]={'\u4f60'};
        convertor=bytetocharconverter.getconverter(encoding);
     --byte [] b=converter.convertall(c);
     --for(int i=0;i     --{
     -- system.out.println(integer.tohexstring(b[i]));
     --}
      --打印出来是:0xc4,0xe3
      ----例2
      --如果用8859_1就是0x3f,?号,表示无法转化      --
      很多中文问题就是从这两个最简单的类派生出来的。而却有很多类  
  不直接支持把encoding输入,这给我们带来诸多不便。很多程序难得用encoding
  了,直接用default的encoding,这就给我们移植带来了很多困难
  --
  2.utf-8
  --utf-8是和unicode一一对应的,其实现很简单
  --
   -- 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 _ _ _ _ _ _
  --大多数情况是只使用到16位以下的unicode:
  --"你"的gb码是:0xc4e3 ,unicode是0x4f60
  --我们还是用上面的例子
  --  --例1:0xc4e3的二进制:
  --  --    1 1 0 0 0 1 0 0 1 1 1 0 0 0 1 1
  --  --    由于只有两位我们按照两位的编码来排,但是我们发现这行不通,
  --  --    因为第7位不是0因此,返回"?"
  --  --   
  --  --例2:0x4f60的二进制:
  --  --    0 1 0 0 1 1 1 1 0 1 1 0 0 0 0 0
  --  --    我们用utf-8补齐,变成:
  --  --    11100100 10111101 10100000
  --  --    e4--bd-- a0
  --  --    于是返回0xe4,0xbd,0xa0
  --  --
  3.string和byte[]
  --string其实核心是char[],然而要把byte转化成string,必须经过编码。
  --string.length()其实就是char数组的长度,如果使用不同的编码,很可
  --能会错分,造成散字和乱码。
  --例:
  ----byte [] b={(byte)'\u00c4',(byte)'\u00e3'};
  ----string str=new string(b,encoding);  ----
  ----如果encoding=8859_1,会有两个字,但是encoding=gb2312只有一个字  ----
  --这个问题在处理分页是经常发生
  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读/写inputstream/outputstream
--一个reader的例子:
--文件test.txt只有一个"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----system.out.println(c[i]);
  --如果encoding是gb2312,则只有一个字符,如果encoding=8859_1,则有两个字符
  --------
--
--
  
   ----
 2.我们要对java的编译器有所了解:
 --javac -encoding
  我们常常没有用到encoding这个参数。其实encoding这个参数对于跨平台的操作是很重要的。
  如果没有指定encoding,则按照系统的默认encoding,gb平台上是gb2312,英文平台上是iso8859_1。 
 --java的编译器实际上是调用sun.tools.javac.main的类,对文件进行编译,这个类 --
 有compile函数中间有一个encoding的变量,-encoding的参数其实直接传给encoding变量。
 编译器就是根据这个变量来读取java文件的,然后把用utf-8形式编译成class文件。
 一个例子:
 --public void test()
 --{
 ----string str="你";
 ----filewriter write=new filewriter("test.txt");
 ----write.write(str);
 ----write.close();
 --}
 ----例3
--如果用gb2312编译,你会找到e4 bd a0的字段
--
--如果用8859_1编译,
--00c4 00e3的二进制:
--00000000 11000100 00000000 11100011--
--因为每个字符都大于7位,因此用11位编码:
--11000001 10000100 11000011 10100011
--c1-- 84-- c3--  a3
--你会找到c1 84 c3 a3 --
    
  但是我们往往忽略掉这个参数,因此这样往往会有跨平台的问题:
  --  例3在中文平台上编译,生成zhclass
  --  例3在英文平台上编译,输出enclass
  --1.  zhclass在中文平台上执行ok,但是在英文平台上不行
  --2.  enclass在英文平台上执行ok,但是在中文平台上不行
  原因:
 --1.在中文平台上编译后,其实str在运行态的char[]是0x4f60, ----
 --在中文平台上运行,filewriter的缺省编码是gb2312,因此
 --chartobyteconverter会自动用调用gb2312的converter,把str转化
 --成byte输入到fileoutputstream中,于是0xc4,0xe3放进了文件。
 --但是如果是在英文平台下,chartobyteconverter的缺省值是8859_1,
 --filewriter会自动调用8859_1去转化str,但是他无法解释,因此他会
 --输出"?" ----
 --2. 在英文平台上编译后,其实str在运行态的char[]是0x00c4 0x00e3, ----
 --在中文平台上运行,中文无法识别,因此会出现??
 --  在英文平台上,0x00c4-->0xc4,0x00e3->0xe3,因此0xc4,0xe3被放进了
 --文件
----
1.对于jsp正文的解释:
--tomcat首先看一下你的叶面中有没有"


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

结果:你好你

但这种方法局限性较大,比如对上传的文章分段,这样的做法是死定的,最好的
解决方案是用这种方案:


你好



必读好文,但解决方案不敢恭维
发言者:小熊
时 间:2000/10/17 17:21:31 来 自:www.javaunion.org


--------------------------------------------------------------------------------

1.网页传参数不提倡用get方法,而且用户可以调整是否用utf-8发送
2.建议jsp中最好不要用,实际上加不加这句都有实现中文正常显示的方案,我认为不加方便些,至少不用写这些代码,如下的配置我认为可以使中文正常显示:
a.所有的javabean用iso8859-1编译
b.jsp文件中不要写以上charset=gb2312的语句(写了反而错)

在tomcat情况下注意以上2点就行---了,等等,对于其他有可能不行的jsp服务器,加上以下
c.服务器上的操作系统语言设为英文(像没有装类似bluepoint中文系统的linux一般本来就是英文)
就行---了

谁要是还不对,请报告....


re:必读好文,但解决方案不敢恭维
发言者:congling
时 间:2000/10/17 21:06:23 来 自:www.javaunion.org


--------------------------------------------------------------------------------

tomcat的参数问题无论是get或是post方式都是用8859_1编码的。这个可以看tomcat servlet实现的源代码:
a) 对于post方法
 javax.servlet.http.httputils的parsepostdata方法: (对于post的form数据)
 string postedbody = new string(postedbytes, 0, len, "8859_1");)这里是没有问题的因为中文都会用%来说明。但是parsename这个函数,却没有把是中文的东西整合起来,他只是简单的拼凑,因此可以认定他是使用8859_1的编码规则
  sb.append((char) integer.parseint(s.substring(i+1, i+3), 16));
----  i += 2;
--
b) 对于get方法
 org.apache.tomcat.service.http.httprequestadapter
   -- line=new string(buf, 0, count,
       constants.characterencoding.default);
----constants.characterencoding.default=8859_1
 这段代码不好跟踪,千万不要被一些假象迷惑住。httprequestadapter是从requestimpl中派生的。但是,实际上用8080端口的server并没有直接用到requestimpl,而是用了httprequestadapter来获得querystring

对于加不加encoding,我保留我的意见,因为如果要解决上传文件分页问题,必须要用他来编码。而且编码能保证在一些beans当中的传递性。

看来我要在这里说明一下了
发言者:小熊
时 间:1970/01/01 07:59:59 来 自:www.javaunion.org


--------------------------------------------------------------------------------

tomcat仅仅是一个对jsp1.1,servlet2.2的一个标准的实现,我们不应该要求这个免费软件在细致末节上和性能上都面面俱到,它主要考虑的英文用户,这也是为什么不作特殊转换我们的汉字用url方法传递有问题的原因,我们大部分浏览器ie其高级设置中始终以utf-8发送url的选项缺省是选上的,如果说这是tomcat的bug也是可以的,另外tomcat不管当前的操作系统是什么语言,好像都按iso8859去编译jsp,我觉得也有点欠妥,但是不管怎么说,新标准的实现和热门的软件在语言的支持方面永远都是先考虑英文

我的方案什么说要好一些呢
1.还是那句话,英文国家的软件永远都是先考虑英文,java虚拟机的规范中要求虚拟机内部必须实现iso8859,unicode,utf-8三种,其他的不作要求,我们用的jdk中的虚拟机就是这样,嵌入式的就更不用说了,也就是说其他的encode都很可能不是java虚拟机内部直接支持的,我们的中文自然也不在其列,需要外部的包支持转换,sun jdk应该在i18n.jar中,用iso8859速度最快,不需要其它调用和交换什么的,更没有读包的io操作
2.至少少写了代码,没有额外操作,简洁的风格谁不喜欢
3.所写的jsp页面国际性化好,我才写了一个jsp+javabeans的聊天室软件(没有用到servlet,jsp真的确实很好),同样的程序美国人用他们的浏览器进入就是英文界面,中文进入就是中文界面,如果加上charset=gb2312至少很麻烦
4.限定了gb2312,如果用户要用gbk,怎么办,不加更好,不管什么的字符集,只要我当前浏览器设定的是,我就能显示出来

总结:无论从速度上,开发效率上,和可扩展性上考虑,我的方案都比你的好,另外,我找不到你的方案比我的好的地方 

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