Posted on 2010-11-12 12:08
Astro.Qi 閱讀(973)
評論(0) 編輯 收藏 所屬分類:
Java
一、字節和unicode
Java內核是unicode的，就連class文件也是，但是很多媒體，包括文件/流的保存方式是使用字節流的。因此Java要對這些字節流經行轉化。 char是unicode的，而byte是字節。Java中 byte/char互轉的函數在sun.io的包中間有。其中ByteToCharConverter類是中調度，可以用來告訴你，你用的 convertor。其中兩個很常用的靜態函數是：
public static ByteToCharConverter getDefault();
public static ByteToCharConverter getConverter(String encoding);
如果你不指定converter，則系統會自動使用當前的encoding,gb平臺上用gbk,en平臺上用8859_1。
byte ——〉char：
"你"的gb碼是：0xc4e3 ,unicode是0x4f60
String encoding = "gb2312";
byte b[] = {(byte)'\u00c4',(byte)'\u00e3'};
ByteToCharConverter converter = ByteToCharConverter.getConverter(encoding);
char c[] = converter.convertAll(b);
for (int i = 0; i < c.length; i++) {
System.out.println(Integer.toHexString(c[i]));
}
結果是什么？0x4f60
如果encoding ="8859_1"，結果又是什么？0x00c4,0x00e3
如果代碼改為：
byte b[] = {(byte)'\u00c4',(byte)'\u00e3'};
ByteToCharConverter converter = ByteToCharConverter. getDefault();
char c[] = converter.convertAll(b);
for (int i = 0; i < c.length; i++) {
System.out.println(Integer.toHexString(c[i]));
}
結果將又是什么？
這就要根據平臺的編碼而定。
char ——〉byte：
String encoding = "gb2312";
char c[] = {'\u4f60'};
CharToByteConverter converter = CharToByteConverter.getConverter(encoding);
byte b[] = converter.convertAll(c);
for (int i = 0; i < b.length; i++) {
System.out.println(Integer.toHexString(b[i]));
}
結果是什么？0x00c4,0x00e3
如果encoding ="8859_1"，結果又是什么？0x3f
如果代碼改為
String encoding = "gb2312";
char c[] = {'\u4f60'};
CharToByteConverter converter = CharToByteConverter.getDefault();
byte b[] = converter.convertAll(c);
for (int i = 0; i < b.length; i++) {
System.out.println(Integer.toHexString(b[i]));
}
結果將又是什么？還是根據平臺的編碼而定。
很多中文問題就是從這兩個最簡單的類派生出來的。而卻有很多類不直接支持把encoding輸入，這給我們帶來諸多不便。很多程序難得用encoding了，直接用default的encoding，這就給我們移植帶來了很多困難。
二、utf-8
utf-8是和unicode一一對應的，其實現很簡單：
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 _ _ _ _ _ _
大多數情況是只使用到16位以下的unicode:
"你"的gb碼是：0xc4e3 ,unicode是0x4f60
0xc4e3的二進制：
1100 ，0100 ，1110 ，0011
由于只有兩位我們按照兩位的編碼來排，但是我們發現這行不通，因為第７位不是0因此，返回"?"
0x4f60的二進制：
0100 ，1111 ，0110 ，0000
我們用utf-8補齊，變成：
1110 ，0100 ，1011 ，1101 ，1010 ，0000
e4--bd-- a0
于是返回：0xe4,0xbd,0xa0。
三、string和byte[]
string其實核心是char[],然而要把byte轉化成string，必須經過編碼。string.length()其實就是char數組的長度，如果使用不同的編碼，很可能會錯分，造成散字和亂碼。例如：
String encoding = “”;
byte [] b={(byte)'\u00c4',(byte)'\u00e3'};
String str=new String(b,encoding);
如果encoding=8859_1，會有兩個字，但是encoding=gb2312只有一個字這個問題在處理分頁是經常發生。
四、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讀/寫InputStream/OutputStream。例如：
文件test.txt只有一個"你"字，0xc4,0xe3
String encoding = "gb2312";
InputStreamReader reader = new InputStreamReader(new FileInputStream(
"text.txt"), encoding);
char c[] = new char[10];
int length = reader.read(c);
for (int i = 0; i < length; i++) {
System.out.println(c[i]);
}
結果是什么？是"你"。如果encoding ="8859_1"，結果是什么？"??"兩個字符，表示不認識。反過來的例子自己做。
五、我們要對Java的編譯器有所了解：
Javac ?encoding
我們常常沒有用到encoding這個參數。其實encoding這個參數對于跨平臺的操作是很重要的。如果沒有指定encoding，則按照系統的默認 encoding,gb平臺上是gb2312，英文平臺上是iso8859_1。Java的編譯器實際上是調用sun.tools.Javac.main 的類，對文件進行編譯，這個類有compile函數中間有一個encoding的變量,-encoding的參數其實直接傳給encoding變量。編譯器就是根據這個變量來讀取Java文件的，然后把用utf-8形式編譯成class文件。例子代碼：
String str = "你";
FileWriter writer = new FileWriter("text.txt");
write.write(str);
writer.close();
如果用gb2312編譯，你會找到e4 bd a0的字段 ；
如果用8859_1編譯， 00c4 00e3的二進制：
0000，0000 ，1100，0100 ，0000，0000 ，1110，0011
因為每個字符都大于7位，因此用11位編碼：
1100，0001，1000，0100，1100，0011，1010，0011
c1-- 84-- c3-- a3
你會找到c1 84 c3 a3
但是我們往往忽略掉這個參數，因此這樣往往會有跨平臺的問題：
樣例代碼在中文平臺上編譯，生成zhclass
樣例代碼在英文平臺上編譯，輸出enclass
(1) zhclass在中文平臺上執行ok,但是在英文平臺上不行
(2) enclass在英文平臺上執行ok,但是在中文平臺上不行
原因是：
(1) 在中文平臺上編譯后，其實str在運行態的char[]是0x4f60, 在中文平臺上運行，filewriter的缺省編碼是gb2312,因此 chartobyteconverter會自動用調用gb2312的converter,把str轉化成byte輸入到fileoutputstream 中，于是0xc4,0xe3放進了文件。但是如果是在英文平臺下，chartobyteconverter的缺省值是8859_1, filewriter會自動調用8859_1去轉化str,但是他無法解釋，因此他會輸出"?"
(2) 在英文平臺上編譯后，其實str在運行態的char[]是0x00c4 0x00e3, 在中文平臺上運行，中文無法識別，因此會出現??；在英文平臺上，0x00c4-->0xc4,0x00e3->0xe3，因此 0xc4,0xe3被放進了文件。
六、其它原因：
<%@ page contentType="text/html; charset=GBK" %>
設置瀏覽器的顯示編碼，如果response的數據是utf8編碼，顯示將是亂碼，但是亂碼和上述原因還不一樣。
七、發生編碼的地方：
1. 從數據庫到Java程序 byte——〉char
2. 從Java程序到數據庫 char——〉byte
3. 從文件到Java程序 byte——〉char
4. 從Java程序到文件 char——〉byte
5. 從Java程序到頁面顯示 char——〉byte
6. 從頁面form提交數據到Java程序byte——〉char
7. 從流到Java程序byte——〉char
8. 從Java程序到流char——〉byte
可以使用配置過濾器的方法解決中文亂碼的：
<web-app>
<filter>
<filter-name>RequestFilter</filter-name>
<filter-class>net.golden.uirs.util.RequestFilter</filter-class>
<init-param>
<param-name>charset</param-name>
<param-value>gb2312</param-value>
</init-param>
</filter>
<filter-mapping>
<filter-name>RequestFilter</filter-name>
<url-pattern>*.Jsp</url-pattern>
</filter-mapping>
</web-app>
public void doFilter(ServletRequest req, ServletResponse res,
FilterChain fChain) throws IOException, ServletException {
HttpServletRequest request = (HttpServletRequest) req;
HttpServletResponse response = (HttpServletResponse) res;
HttpSession session = request.getSession();
String userId = (String) session.getAttribute("userid");
req.setCharacterEncoding(this.filterConfig.getInitParameter("charset"));
// 設置字符集？
//實際上是設置了byte ——〉char的encoding
try {
if (userId == null || userId.equals("")) {
if (!request.getRequestURL().toString().matches(
".*/uirs/logon/logon(Controller){0,1}\\x2EJsp$")) {
session.invalidate();
response.sendRedirect(request.getContextPath() +
"/uirs/logon/logon.Jsp");
}
}
else {
// 看看是否具有信息上報系統的權限
if (!net.golden.uirs.util.UirsChecker.check(userId, "信息上報系統",
net.golden.uirs.util.UirsChecker.ACTION_DO)) {
if (!request.getRequestURL().toString().matches(
".*/uirs/logon/logon(Controller){0,1}\\x2EJsp$")) {
response.sendRedirect(request.getContextPath() +
"/uirs/logon/logonController.Jsp");
}
}
}
}
catch (Exception ex) {
response.sendRedirect(request.getContextPath() +"/uirs/logon/logon.Jsp");
}
fChain.doFilter(req, res);