江蘇520

字符，字節和編碼三者的關系

1. 編碼問題的由來，相關概念的理解
1.1 字符與編碼的發展
從計算機對多國語言的支持角度看，大致可以分為三個階段：

　 系統內碼 說明 系統
階段一 ASCII 計算機剛開始只支持英語，其它語言不能夠在計算機上存儲和顯示。 英文 DOS
階段二 ANSI編碼
（本地化） 為使計算機支持更多語言，通常使用 0x80~0xFF 范圍的 2 個字節來表示 1 個字符。比如：漢字 '中' 在中文操作系統中，使用 [0xD6,0xD0] 這兩個字節存儲。

不同的國家和地區制定了不同的標準，由此產生了 GB2312, BIG5, JIS 等各自的編碼標準。這些使用 2 個字節來代表一個字符的各種漢字延伸編碼方式，稱為 ANSI 編碼。在簡體中文系統下，ANSI 編碼代表 GB2312 編碼，在日文操作系統下，ANSI 編碼代表 JIS 編碼。

不同 ANSI 編碼之間互不兼容，當信息在國際間交流時，無法將屬于兩種語言的文字，存儲在同一段 ANSI 編碼的文本中。 中文 DOS，中文 Windows 95/98，日文 Windows 95/98
階段三 UNICODE
（國際化） 為了使國際間信息交流更加方便，國際組織制定了 UNICODE 字符集，為各種語言中的每一個字符設定了統一并且唯一的數字編號，以滿足跨語言、跨平臺進行文本轉換、處理的要求。 Windows NT/2000/XP，Linux，Java

字符串在內存中的存放方法：

在 ASCII 階段，單字節字符串使用一個字節存放一個字符（SBCS）。比如，"Bob123" 在內存中為：

42 6F 62 31 32 33 00
      
B o b 1 2 3 \0

在使用 ANSI 編碼支持多種語言階段，每個字符使用一個字節或多個字節來表示（MBCS），因此，這種方式存放的字符也被稱作多字節字符。比如，"中文123" 在中文 Windows 95 內存中為7個字節，每個漢字占2個字節，每個英文和數字字符占1個字節：

D6 D0 CE C4 31 32 33 00
     
中 文 1 2 3 \0

在 UNICODE 被采用之后，計算機存放字符串時，改為存放每個字符在 UNICODE 字符集中的序號。目前計算機一般使用 2 個字節（16 位）來存放一個序號（DBCS），因此，這種方式存放的字符也被稱作寬字節字符。比如，字符串 "中文123" 在 Windows 2000 下，內存中實際存放的是 5 個序號：

2D 4E 87 65 31 00 32 00 33 00 00 00      ← 在 x86 CPU 中，低字節在前
      
中 文 1 2 3 \0 　

一共占 10 個字節。

 
 回頁首
 
 
 

1.2 字符，字節，字符串
理解編碼的關鍵，是要把字符的概念和字節的概念理解準確。這兩個概念容易混淆，我們在此做一下區分：

　 概念描述 舉例
字符 人們使用的記號，抽象意義上的一個符號。 '1', '中', 'a', '$', '￥', ……
字節 計算機中存儲數據的單元，一個8位的二進制數，是一個很具體的存儲空間。 0x01, 0x45, 0xFA, ……
ANSI
字符串 在內存中，如果“字符”是以 ANSI 編碼形式存在的，一個字符可能使用一個字節或多個字節來表示，那么我們稱這種字符串為 ANSI 字符串或者多字節字符串。 "中文123"
（占7字節）
UNICODE
字符串 在內存中，如果“字符”是以在 UNICODE 中的序號存在的，那么我們稱這種字符串為 UNICODE 字符串或者寬字節字符串。 L"中文123"
（占10字節）

由于不同 ANSI 編碼所規定的標準是不相同的，因此，對于一個給定的多字節字符串，我們必須知道它采用的是哪一種編碼規則，才能夠知道它包含了哪些“字符”。而對于 UNICODE 字符串來說，不管在什么環境下，它所代表的“字符”內容總是不變的。

 
 回頁首
 
 
 

1.3 字符集與編碼
各個國家和地區所制定的不同 ANSI 編碼標準中，都只規定了各自語言所需的“字符”。比如：漢字標準（GB2312）中沒有規定韓國語字符怎樣存儲。這些 ANSI 編碼標準所規定的內容包含兩層含義：

使用哪些字符。也就是說哪些漢字，字母和符號會被收入標準中。所包含“字符”的集合就叫做“字符集”。
規定每個“字符”分別用一個字節還是多個字節存儲，用哪些字節來存儲，這個規定就叫做“編碼”。
各個國家和地區在制定編碼標準的時候，“字符的集合”和“編碼”一般都是同時制定的。因此，平常我們所說的“字符集”，比如：GB2312, GBK, JIS 等，除了有“字符的集合”這層含義外，同時也包含了“編碼”的含義。

“UNICODE 字符集”包含了各種語言中使用到的所有“字符”。用來給 UNICODE 字符集編碼的標準有很多種，比如：UTF-8, UTF-7, UTF-16, UnicodeLittle, UnicodeBig 等。

  

1.4 常用的編碼簡介
簡單介紹一下常用的編碼規則，為后邊的章節做一個準備。在這里，我們根據編碼規則的特點，把所有的編碼分成三類：

分類 編碼標準 說明
單字節字符編碼 ISO-8859-1 最簡單的編碼規則，每一個字節直接作為一個 UNICODE 字符。比如，[0xD6, 0xD0] 這兩個字節，通過 iso-8859-1 轉化為字符串時，將直接得到 [0x00D6, 0x00D0] 兩個 UNICODE 字符，即 "ÖÐ"。

反之，將 UNICODE 字符串通過 iso-8859-1 轉化為字節串時，只能正常轉化 0~255 范圍的字符。
ANSI 編碼 GB2312,
BIG5,
Shift_JIS,
ISO-8859-2 …… 把 UNICODE 字符串通過 ANSI 編碼轉化為“字節串”時，根據各自編碼的規定，一個 UNICODE 字符可能轉化成一個字節或多個字節。

反之，將字節串轉化成字符串時，也可能多個字節轉化成一個字符。比如，[0xD6, 0xD0] 這兩個字節，通過 GB2312 轉化為字符串時，將得到 [0x4E2D] 一個字符，即 '中' 字。

“ANSI 編碼”的特點：
1. 這些“ANSI 編碼標準”都只能處理各自語言范圍之內的 UNICODE 字符。
2. “UNICODE 字符”與“轉換出來的字節”之間的關系是人為規定的。
UNICODE 編碼 UTF-8,
UTF-16, UnicodeBig …… 與“ANSI 編碼”類似的，把字符串通過 UNICODE 編碼轉化成“字節串”時，一個 UNICODE 字符可能轉化成一個字節或多個字節。

與“ANSI 編碼”不同的是：
1. 這些“UNICODE 編碼”能夠處理所有的 UNICODE 字符。
2. “UNICODE 字符”與“轉換出來的字節”之間是可以通過計算得到的。

我們實際上沒有必要去深究每一種編碼具體把某一個字符編碼成了哪幾個字節，我們只需要知道“編碼”的概念就是把“字符”轉化成“字節”就可以了。對于“UNICODE 編碼”，由于它們是可以通過計算得到的，因此，在特殊的場合，我們可以去了解某一種“UNICODE 編碼”是怎樣的規則。

 

2. 字符與編碼在程序中的實現
2.1 程序中的字符與字節
在 C++ 和 Java 中，用來代表“字符”和“字節”的數據類型，以及進行編碼的方法：

類型或操作 C++ Java
字符 wchar_t char
字節 char byte
ANSI 字符串 char[] byte[]
UNICODE 字符串 wchar_t[] String
字節串→字符串 mbstowcs(), MultiByteToWideChar() string = new String(bytes, "encoding")
字符串→字節串 wcstombs(), WideCharToMultiByte() bytes = string.getBytes("encoding")

以上需要注意幾點：

Java 中的 char 代表一個“UNICODE 字符（寬字節字符）”，而 C++ 中的 char 代表一個字節。
MultiByteToWideChar() 和 WideCharToMultiByte() 是 Windows API 函數。 

  

2.2 C++ 中相關實現方法
聲明一段字符串常量：

// ANSI 字符串，內容長度 7 字節
char     sz[20] = "中文123";

// UNICODE 字符串，內容長度 5 個 wchar_t（10 字節）
wchar_t wsz[20] = L"\x4E2D\x6587\x0031\x0032\x0033";

UNICODE 字符串的 I/O 操作，字符與字節的轉換操作：

// 運行時設定當前 ANSI 編碼，VC 格式
setlocale(LC_ALL, ".936");

// GCC 中格式
setlocale(LC_ALL, "zh_CN.GBK");

// Visual C++ 中使用小寫 %s，按照 setlocale 指定編碼輸出到文件
// GCC 中使用大寫 %S
fwprintf(fp, L"%s\n", wsz);

// 把 UNICODE 字符串按照 setlocale 指定的編碼轉換成字節
wcstombs(sz, wsz, 20);
// 把字節串按照 setlocale 指定的編碼轉換成 UNICODE 字符串
mbstowcs(wsz, sz, 20);

在 Visual C++ 中，UNICODE 字符串常量有更簡單的表示方法。如果源程序的編碼與當前默認 ANSI 編碼不符，則需要使用 #pragma setlocale，告訴編譯器源程序使用的編碼：

// 如果源程序的編碼與當前默認 ANSI 編碼不一致，
// 則需要此行，編譯時用來指明當前源程序使用的編碼
#pragma setlocale(".936")

// UNICODE 字符串常量，內容長度 10 字節
wchar_t wsz[20] = L"中文123";

以上需要注意 #pragma setlocale 與 setlocale(LC_ALL, "") 的作用是不同的，#pragma setlocale 在編譯時起作用，setlocale() 在運行時起作用。

 
  

2.3 Java 中相關實現方法
字符串類 String 中的內容是 UNICODE 字符串：

// Java 代碼，直接寫中文
String string = "中文123";//come from http://www.bt285.cn  http://www.5a520.cn

// 得到長度為 5，因為是 5 個字符
System.out.println(string.length());

字符串 I/O 操作，字符與字節轉換操作。在 Java 包 java.io.* 中，以“Stream”結尾的類一般是用來操作“字節串”的類，以“Reader”，“Writer”結尾的類一般是用來操作“字符串”的類。

// 字符串與字節串間相互轉化

// 按照 GB2312 得到字節（得到多字節字符串）
byte [] bytes = string.getBytes("GB2312");

// 從字節按照 GB2312 得到 UNICODE 字符串
string = new String(bytes, "GB2312");

// 要將 String 按照某種編碼寫入文本文件，有兩種方法：

// 第一種辦法：用 Stream 類寫入已經按照指定編碼轉化好的字節串
OutputStream os = new FileOutputStream("1.txt");
os.write(bytes);
os.close();

// 第二種辦法：構造指定編碼的 Writer 來寫入字符串
Writer ow = new OutputStreamWriter(new FileOutputStream("2.txt"), "GB2312");
ow.write(string);
ow.close();

/* 最后得到的 1.txt 和 2.txt 都是 7 個字節 */

如果 java 的源程序編碼與當前默認 ANSI 編碼不符，則在編譯的時候，需要指明一下源程序的編碼。比如：

E:\>javac -encoding BIG5 Hello.java

以上需要注意區分源程序的編碼與 I/O 操作的編碼，前者是在編譯時起作用，后者是在運行時起作用。

 

 

3. 幾種誤解，以及亂碼產生的原因和解決辦法
3.1 容易產生的誤解
　 對編碼的誤解
誤解一 在將“字節串”轉化成“UNICODE 字符串”時，比如在讀取文本文件時，或者通過網絡傳輸文本時，容易將“字節串”簡單地作為單字節字符串，采用每“一個字節”就是“一個字符”的方法進行轉化。

而實際上，在非英文的環境中，應該將“字節串”作為 ANSI 字符串，采用適當的編碼來得到 UNICODE 字符串，有可能“多個字節”才能得到“一個字符”。

通常，一直在英文環境下做開發的程序員們，容易有這種誤解。
誤解二 在 DOS，Windows 98 等非 UNICODE 環境下，字符串都是以 ANSI 編碼的字節形式存在的。這種以字節形式存在的字符串，必須知道是哪種編碼才能被正確地使用。這使我們形成了一個慣性思維：“字符串的編碼”。

當 UNICODE 被支持后，Java 中的 String 是以字符的“序號”來存儲的，不是以“某種編碼的字節”來存儲的，因此已經不存在“字符串的編碼”這個概念了。只有在“字符串”與“字節串”轉化時，或者，將一個“字節串”當成一個 ANSI 字符串時，才有編碼的概念。

不少的人都有這個誤解。

第一種誤解，往往是導致亂碼產生的原因。第二種誤解，往往導致本來容易糾正的亂碼問題變得更復雜。

在這里，我們可以看到，其中所講的“誤解一”，即采用每“一個字節”就是“一個字符”的轉化方法，實際上也就等同于采用 iso-8859-1 進行轉化。因此，我們常常使用 bytes = string.getBytes("iso-8859-1") 來進行逆向操作，得到原始的“字節串”。然后再使用正確的 ANSI 編碼，比如 string = new String(bytes, "GB2312")，來得到正確的“UNICODE 字符串”。

 

3.2 非 UNICODE 程序在不同語言環境間移植時的亂碼
非 UNICODE 程序中的字符串，都是以某種 ANSI 編碼形式存在的。如果程序運行時的語言環境與開發時的語言環境不同，將會導致 ANSI 字符串的顯示失敗。

比如，在日文環境下開發的非 UNICODE 的日文程序界面，拿到中文環境下運行時，界面上將顯示亂碼。如果這個日文程序界面改為采用 UNICODE 來記錄字符串，那么當在中文環境下運行時，界面上將可以顯示正常的日文。

由于客觀原因，有時候我們必須在中文操作系統下運行非 UNICODE 的日文軟件，這時我們可以采用一些工具，比如，南極星，AppLocale 等，暫時的模擬不同的語言環境。

 

3.3 網頁提交字符串
當頁面中的表單提交字符串時，首先把字符串按照當前頁面的編碼，轉化成字節串。然后再將每個字節轉化成 "%XX" 的格式提交到 Web 服務器。比如，一個編碼為 GB2312 的頁面，提交 "中" 這個字符串時，提交給服務器的內容為 "%D6%D0"。

在服務器端，Web 服務器把收到的 "%D6%D0" 轉化成 [0xD6, 0xD0] 兩個字節，然后再根據 GB2312 編碼規則得到 "中" 字。

在 Tomcat 服務器中，request.getParameter() 得到亂碼時，常常是因為前面提到的“誤解一”造成的。默認情況下，當提交 "%D6%D0" 給 Tomcat 服務器時，request.getParameter() 將返回 [0x00D6, 0x00D0] 兩個 UNICODE 字符，而不是返回一個 "中" 字符。因此，我們需要使用 bytes = string.getBytes("iso-8859-1") 得到原始的字節串，再用 string = new String(bytes, "GB2312") 重新得到正確的字符串 "中"。

 3.4 從數據庫讀取字符串
通過數據庫客戶端（比如 ODBC 或 JDBC）從數據庫服務器中讀取字符串時，客戶端需要從服務器獲知所使用的 ANSI 編碼。當數據庫服務器發送字節流給客戶端時，客戶端負責將字節流按照正確的編碼轉化成 UNICODE 字符串。

如果從數據庫讀取字符串時得到亂碼，而數據庫中存放的數據又是正確的，那么往往還是因為前面提到的“誤解一”造成的。解決的辦法還是通過 string = new String( string.getBytes("iso-8859-1"), "GB2312") 的方法，重新得到原始的字節串，再重新使用正確的編碼轉化成字符串。

 

 

3.5 電子郵件中的字符串
當一段 Text 或者 HTML 通過電子郵件傳送時，發送的內容首先通過一種指定的字符編碼轉化成“字節串”，然后再把“字節串”通過一種指定的傳輸編碼（Content-Transfer-Encoding）進行轉化得到另一串“字節串”。比如，打開一封電子郵件源代碼，可以看到類似的內容：

Content-Type: text/plain;
        charset="gb2312"
Content-Transfer-Encoding: base64

sbG+qcrQuqO17cf4yee74bGjz9W7+b3wudzA7dbQ0MQNCg0KvPKzxqO6uqO17cnnsaPW0NDEDQoNCg==

最常用的 Content-Transfer-Encoding 有 Base64 和 Quoted-Printable 兩種。在對二進制文件或者中文文本進行轉化時，Base64 得到的“字節串”比 Quoted-Printable 更短。在對英文文本進行轉化時，Quoted-Printable 得到的“字節串”比 Base64 更短。

郵件的標題，用了一種更簡短的格式來標注“字符編碼”和“傳輸編碼”。比如，標題內容為 "中"，則在郵件源代碼中表示為：

// 正確的標題格式
Subject: =?GB2312?B?1tA=?=

其中，

第一個“=?”與“?”中間的部分指定了字符編碼，在這個例子中指定的是 GB2312。
“?”與“?”中間的“B”代表 Base64。如果是“Q”則代表 Quoted-Printable。
最后“?”與“?=”之間的部分，就是經過 GB2312 轉化成字節串，再經過 Base64 轉化后的標題內容。
如果“傳輸編碼”改為 Quoted-Printable，同樣，如果標題內容為 "中"：

// 正確的標題格式
Subject: =?GB2312?Q?=D6=D0?=

如果閱讀郵件時出現亂碼，一般是因為“字符編碼”或“傳輸編碼”指定有誤，或者是沒有指定。比如，有的發郵件組件在發送郵件時，標題 "中"：

// 錯誤的標題格式
Subject: =?ISO-8859-1?Q?=D6=D0?=

這樣的表示，實際上是明確指明了標題為 [0x00D6, 0x00D0]，即 "ÖÐ"，而不是 "中"。

 
 

4. 幾種錯誤理解的糾正
誤解：“ISO-8859-1 是國際編碼？”
非也。iso-8859-1 只是單字節字符集中最簡單的一種，也就是“字節編號”與“UNICODE 字符編號”一致的那種編碼規則。當我們要把一個“字節串”轉化成“字符串”，而又不知道它是哪一種 ANSI 編碼時，先暫時地把“每一個字節”作為“一個字符”進行轉化，不會造成信息丟失。然后再使用 bytes = string.getBytes("iso-8859-1") 的方法可恢復到原始的字節串。

誤解：“Java 中，怎樣知道某個字符串的內碼？”
Java 中，字符串類 java.lang.String 處理的是 UNICODE 字符串，不是 ANSI 字符串。我們只需要把字符串作為“抽象的符號的串”來看待。因此不存在字符串的內碼的問題。

 

 

posted @ 2009-06-03 20:19 江蘇520| 編輯 收藏

java異常處理筆記

     摘要:          對于一個非常熟悉 C++ 異常處理模型的程序員來說，它幾乎可以不經任何其它培訓和學習，就可以完全接受和能夠輕松地使用 Java 語言中的異常處理編程方法。這是因為 Java 語言中的異常處理模型幾乎與 C++ 中異常處理模型有 99% 的相似度，無論是從語法規則，還是語義上來說，它們二者都幾乎完全一致...  閱讀全文

posted @ 2009-06-02 21:39 江蘇520| 編輯 收藏

java多線程問題及處理(筆記)

1.死鎖
         多線程編程在實際的網絡程序開發中，在客戶端程序實現中使用的比較簡單，但是在服務器端程序實現中卻不僅是大量使用，而且會出現比客戶端更多的問題。

         另外一個容易在服務器端出現的多線程問題是——死鎖。死鎖指兩個或兩個以上的線程為了使用某個臨界資源而無限制的等待下去。還是以前面衛生間的例子來說明死鎖，例如兩個人都同時到達衛生間，而且兩個人都比較禮貌，第一個人和第二個人說：你先吧，第二個人和第一個人說：你先吧。這兩個人就這樣一直在互相禮讓，誰也不進入，這種現象就是死鎖。這里的兩個人就好比是線程，而衛生間在這里就是臨界資源，而由于這兩個線程在一直謙讓，誰也不使用臨界資源。

         死鎖不僅使程序無法達到預期實現的功能，而且浪費系統的資源，所以在服務器端程序中危害比較大，在實際的服務器端程序開發中，需要注意避免死鎖。

         而死鎖的檢測比較麻煩，而且不一定每次都出現，這就需要在測試服務器端程序時，有足夠的耐心，仔細觀察程序執行時的性能檢測，如果發現執行的性能顯著降低，則很可能是發生了死鎖，然后再具體的查找死鎖出現的原因，并解決死鎖的問題。

         死鎖出現的最本質原因還是邏輯處理不夠嚴謹，在考慮時不是很周全，所以一般需要修改程序邏輯才能夠很好的解決死鎖。

2. 線程優先級
         在日常生活中，例如火車售票窗口等經常可以看到“XXX優先”，那么多線程編程中每個線程是否也可以設置優先級呢？

         在多線程編程中，支持為每個線程設置優先級。優先級高的線程在排隊執行時會獲得更多的CPU執行時間，得到更快的響應。在實際程序中，可以根據邏輯的需要，將需要得到及時處理的線程設置成較高的優先級，而把對時間要求不高的線程設置成比較低的優先級。

         在Thread類中，總計規定了三個優先級，分別為：

l  MAX_PRIORITY——最高優先級

l  NORM_PRIORITY——普通優先級，也是默認優先級

l  MIN_PRIORITY——最低優先級

在前面創建的線程對象中，由于沒有設置線程的優先級，則線程默認的優先級是NORM_PRIORITY，在實際使用時，也可以根據需要使用Thread類中的setPriority方法設置線程的優先級，該方法的聲明為：

         public final void setPriority(int newPriority)

假設t是一個初始化過的線程對象，需要設置t的優先級為最高，則實現的代碼為：

         t. setPriority(Thread. MAX_PRIORITY);

這樣，在該線程執行時將獲得更多的執行機會，也就是優先執行。如果由于安全等原因，不允許設置線程的優先級，則會拋出SecurityException異常。

下面使用一個簡單的輸出數字的線程演示線程優先級的使用，實現的示例代碼如下：

         package priority;

/**

 * 測試線程優先級

* author by http://www.bt285.cn http://www.5a520.cn

 */

public class TestPriority {

         public static void main(String[] args) {

                   PrintNumberThread p1 = new PrintNumberThread("高優先級");

                   PrintNumberThread p2 = new PrintNumberThread("普通優先級");

                   PrintNumberThread p3 = new PrintNumberThread("低優先級");

                   p1.setPriority(Thread.MAX_PRIORITY);

                   p2.setPriority(Thread.NORM_PRIORITY);

                   p3.setPriority(Thread.MIN_PRIORITY);

                   p1.start();

                   p2.start();

                   p3.start();

         }

}

package priority;

/**

 * 輸出數字的線程

 */

public class PrintNumberThread extends Thread {

         String name;

         public PrintNumberThread(String name){

                   this.name = name;

         }

         public void run(){

                   try{

                            for(int i = 0;i < 10;i++){

                                     System.out.println(name + ":" + i);

                            }

                   }catch(Exception e){}

         }

}

程序的一種執行結果為：

高優先級:0

高優先級:1

高優先級:2

普通優先級:0

高優先級:3

普通優先級:1

高優先級:4

普通優先級:2

高優先級:5

高優先級:6

高優先級:7

高優先級:8

高優先級:9

普通優先級:3

普通優先級:4

普通優先級:5

普通優先級:6

普通優先級:7

普通優先級:8

普通優先級:9

低優先級:0

低優先級:1

低優先級:2

低優先級:3

低優先級:4

低優先級:5

低優先級:6

低優先級:7

低優先級:8

低優先級:9

         在該示例程序，PrintNumberThread線程實現的功能是輸出數字，每次數字輸出之間沒有設置時間延遲，在測試類TestPriority中創建三個PrintNumberThread類型的線程對象，然后分別設置線程優先級是最高、普通和最低，接著啟動線程執行程序。從執行結果可以看出高優先級的線程獲得了更多的執行時間，首先執行完成，而低優先級的線程由于優先級較低，所以最后一個執行結束。

         其實，對于線程優先級的管理主要由系統的線程調度實現，較高優先級的線程優先執行，所以可以通過設置線程的優先級影響線程的執行。

5 總結
         關于多線程的基礎知識就介紹這么多，在本章中介紹了線程的概念、線程的實現方式以及使用多線程時會遇到的問題以及解決辦法，而需要建立多線程的概念，也就是并發編程的概念還需要進行比較多的練習，理解多線程的概念并熟悉多線程的編程。

         而關于多線程編程的高級知識，如線程組等則可以在熟悉了線程的基本概念以后再進行更加深入的學習。

 

 

posted @ 2009-05-31 20:53 江蘇520| 編輯 收藏

從JAR與zip檔案文件中提取Java 資源

 多數 java 程序員都非常清楚使用 jar 文件將組成 java 解決方案的各種資源（即 .class 文件、聲音和圖像）打包的優點。剛開始使用 jar 文件的人常問的一個問題是：“如何從 jar 文件中提取圖像呢？”本文將回答這個問題，并會提供一個類，這個類使從 jar 文件中提取任何資源變得非常簡單！

 private void init() {

      try {

          // extracts just sizes only. 

          ZipFile zf=new ZipFile(jarFileName);

          Enumeration e=zf.entries();

          while (e.hasMoreElements()) {

              ZipEntry ze=(ZipEntry)e.nextElement();

              if (debugOn) {

                 System.out.println(dumpZipEntry(ze));

              }

              htSizes.put(ze.getName(),new Integer((int)ze.getSize()));

          }

          zf.close();

          // extract resources and put them into the hashtable.

          FileInputStream fis=new FileInputStream(jarFileName);

          BufferedInputStream bis=new BufferedInputStream(fis);

          ZipInputStream zis=new ZipInputStream(bis);

          ZipEntry ze=null;

          while ((ze=zis.getNextEntry())!=null) {

             if (ze.isDirectory()) {

                continue;////啊喲!沒有處理子目錄中的資源啊 http://www.5a520.cn  小說520網

             }

             if (debugOn) {

                System.out.println(

                   "ze.getName()="+ze.getName()+","+"getSize()="+ze.getSize()

                   );

             }

             int size=(int)ze.getSize();

             // -1 means unknown size. 

             if (size==-1) {

                size=((Integer)htSizes.get(ze.getName())).intValue();

             }

             byte[] b=new byte[(int)size];

             int rb=0;

             int chunk=0;

            while (((int)size - rb) > 0) {

                 chunk=zis.read(b,rb,(int)size - rb);

                 if (chunk==-1) {

                    break;

                 }

                 rb+=chunk;

             }

             // add to internal resource hashtable

             htJarContents.put(ze.getName(),b);

             if (debugOn) {

                System.out.println(

                   ze.getName()+" rb="+rb+

                   ",size="+size+

                   ",csize="+ze.getCompressedSize()

                   );

             }

          }

       } catch (NullPointerException e) {

          System.out.println("done.");

       } catch (FileNotFoundException e) {

          e.printStackTrace();

       } catch (IOException e) {

          e.printStackTrace();

       }

   }

    /**

    * Dumps a zip entry into a string.

    * @param ze a ZipEntry

    */

   private String dumpZipEntry(ZipEntry ze) {

       StringBuffer sb=new StringBuffer();

       if (ze.isDirectory()) {

          sb.append("d "); 

       } else {

          sb.append("f "); 

       }

       if (ze.getMethod()==ZipEntry.STORED) {

          sb.append("stored   "); 

       } else {

          sb.append("defalted ");

       }

       sb.append(ze.getName());

       sb.append("\t");

       sb.append(""+ze.getSize());

       if (ze.getMethod()==ZipEntry.DEFLATED) {

          sb.append("/"+ze.getCompressedSize());

       }

       return (sb.toString());

   }

    /**

    * Extracts a jar resource as a blob.

    * @param name a resource name.

    */

   public byte[] getResource(String name) {

      return (byte[])htJarContents.get(name);

   }

public static void main(String[] args) throws IOException {

       if (args.length!=2) {

          System.err.println(

             "usage: java JarResources < jar file name> < resource name>"

             );

          System.exit(1);

       }

       JarResources jr=new JarResources(args[0]);

       byte[] buff=jr.getResource(args[1]);

       if (buff==null) {

          System.out.println("Could not find "+args[1]+".");

       } else {

          System.out.println("Found "+args[1]+ " (length="+buff.length+").");

       }

   }

}              // End of JarResources class.

posted @ 2009-05-29 19:56 江蘇520| 編輯 收藏

JSP頁面查詢顯示常用模式

背景：
1．    需要將數據庫查詢結果在JSP中以列表方式顯示
2．    在一個良好的J2EE模式中數據庫查詢一般用DAO實現（Data Access Object）， JSP僅用于顯示數據

問題：
    通過JDBC ResultSet可獲取查詢結果（存在于數據庫緩沖區內），但在Statement、Connection關閉后ResultSet即不可用。因此需要一種方式取出所有查詢結果并傳遞至JSP頁面。

解決方法一：
    使用Value Object。將每條記錄均封裝成JavaBean對象，如：http://www.bt285.cn 把這些對象裝入Collection傳送給JSP顯示。這種方法的缺點是每一種查詢都需要定義一個java class，并且將記錄數據封裝成java對象時也需要很多額外的代碼。
示例代碼：



解決方法二：
    遍歷ResultSet取出所有數據封裝進Collection。
具體做法：
1．    生成一個List對象(List list = new ArrayList() )。
2．    生成一個Map對象(Map map = new HashMap() )。使用Map封裝一行數據，key為各字段名，value為對應的值。(map.put(“USER_NAME”), rs.getString(“USER_NAME”))
3．    將第2 步生成的Map對象裝入第1步的list對象中(list.add(map) )。
4．    重復2、3步直到ResultSet遍歷完畢
在DBUtil. resultSetToList(ResultSet rs)方法中實現了上述過程（所有列名均使用大寫），可參考使用。

示例代碼：



解決方法三：
    使用RowSet。
RowSet是JDBC2.0中提供的接口,Oracle對該接口有相應實現，其中很有用的是oracle.jdbc.rowset.OracleCachedRowSet。 OracleCachedRowSet實現了ResultSet中的所有方法，但與ResultSet不同的是，OracleCachedRowSet中的數據在Connection關閉后仍然有效。

oracle的rowset實現在http://otn.oracle.com/software/content.html的jdbc下載里有，名稱是ocrs12.zip

示例代碼：



適用場合：
  方法一使用于定制的查詢操作
  方法二適用于多條查詢語句或需要對查詢結果進行處理的情況。
  方法三適合于單條查詢語句，適用于快速開發。

posted @ 2009-05-27 21:36 江蘇520| 編輯 收藏

java字符集筆記

概述 

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

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 

屬于單字節編碼，最多能表示的字符范圍是0-255，應用于英文系列。比如，字母'a'的編碼為0x61=97。 

很明顯，iso8859-1編碼表示的字符范圍很窄，無法表示中文字符。但是，由于是單字節編碼，和計算機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，默認使用該編碼。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"兩個字符，使用iso8859-1編碼的時候則將它拆開為4個字節來表示："d6 d0 ce c4"（事實上，在進行存儲的時候，也是以字節為單位處理的）。而如果是UTF編碼，則是6個字節"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，是雙字節編碼，而英文字母和iso8859-1一致（兼容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只能表示簡體字，gbk是兼容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符，而且是定長雙字節（也有四字節的）編碼，包括英文字母在內。所以可以說它是不兼容iso8859-1編碼的，也不兼容任何編碼。不過，相對于iso8859-1編碼來說，uniocode編碼只是在前面增加了一個0字節，比如字母'a'為"00 61"。 

需要說明的是，定長編碼便于計算機處理（注意GB2312/GBK不是定長編碼），而unicode又可以用來表示所有字符，所以在很多軟件內部是使用unicode編碼來處理的，比如java。 

2.4. UTF 

考慮到unicode編碼不兼容iso8859-1編碼，而且容易占用更多的空間：因為對于英文字母，unicode也需要兩個字節來表示。所以unicode不便于傳輸和存儲。因此而產生了utf編碼，utf編碼兼容iso8859-1編碼，同時也可以用來表示所有語言的字符，不過，utf編碼是不定長編碼，每一個字符的長度從1-6個字節不等。另外，utf編碼自帶簡單的校驗功能。一般來講，英文字母都是用一個字節表示，而漢字使用三個字節。 

注意，雖然說utf是為了使用更少的空間而使用的，但那只是相對于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個字節，但即使對于漢字網頁，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符。 

3. java對字符的處理 

在java應用軟件中，會有多處涉及到字符集編碼，有些地方需要進行正確的設置，有些地方需要進行一定程度的處理。 

3.1. getBytes(charset) 

這是java字符串處理的一個標準函數，其作用是將字符串所表示的字符按照charset編碼，并以字節方式表示。注意字符串在java內存中總是按unicode編碼存儲的。比如"中文"，正常情況下（即沒有錯誤的時候）存儲為"4e2d 6587"，如果charset為"gbk"，則被編碼為"d6d0 cec4"，然后返回字節"d6 d0 ce c4"。如果charset為"utf8"則最后是"e4 b8 ad e6 96 87"。如果是"iso8859-1"，則由于無法編碼，最后返回 "3f 3f"（兩個問號）。 

3.2. new String(charset) 

這是java字符串處理的另一個標準函數，和上一個函數的作用相反，將字節數組按照charset編碼進行組合識別，最后轉換為unicode存儲。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最后變成了"003f 003f"（兩個問號）。 

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

3.3. setCharacterEncoding() 

該函數用來設置http請求或者相應的編碼。 

對于request，是指提交內容的編碼，指定后可以通過getParameter()則直接獲得正確的字符串，如果不指定，則默認使用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，而后續的getParameter()不再進行分析，所以setCharacterEncoding()無效。而對于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。 

對于response，則是指定輸出內容的編碼，同時，該設置會傳遞給瀏覽器，告訴瀏覽器輸出內容所采用的編碼。 

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，內存中以unicode編碼則為4e2d 6587。 

l 用戶輸入的編碼方式和頁面指定的編碼有關，也和用戶的操作系統有關，所以是不確定的，上例以gbk為例。 

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

l Web server接收到的是字節流，默認時（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。如 http://www.5a520.cn  小說520網 但如果預先設置了編碼（通過request. setCharacterEncoding ()），則能夠直接獲取到正確的結果。 

l 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。 

3.4.2. 文件編譯 

假設文件是gbk編碼保存的，而編譯有兩種編碼選擇：gbk或者iso8859-1，前者是中文windows的默認編碼，后者是linux的默認編碼，當然也可以在編譯時指定編碼。 

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編碼保存，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 文件可以以多種編碼方式保存，中文windows下，默認為ansi/gbk。 

l 編譯器讀取文件時，需要得到文件的編碼，如果未指定，則使用系統默認編碼。一般class文件，是以系統默認編碼保存的，所以編譯不會出問題，但對于jsp文件，如果在中文windows下編輯保存，而部署在英文linux下運行/編譯，則會出現問題。所以需要在jsp文件中用pageEncoding指定編碼。 

l Java編譯的時候會轉換成統一的unicode編碼處理，最后保存的時候再轉換為utf編碼。 

l 當系統輸出字符的時候，會按指定編碼輸出，對于中文windows下，System.out將使用gbk編碼，而對于response（瀏覽器），則使用jsp文件頭指定的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。對于中文，應該為browser指定輸出字符串的編碼。 

l browser顯示網頁的時候，首先使用response中指定的編碼（jsp文件頭指定的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. 幾處設置 

對于web應用程序，和編碼有關的設置或者函數如下。 

3.5.1. jsp編譯 

指定文件的存儲編碼，很明顯，該設置應該置于文件的開頭。例如：<%@page pageEncoding="GBK"%>。另外，對于一般class文件，可以在編譯的時候指定編碼。 

3.5.2. jsp輸出 

指定文件輸出到browser是使用的編碼，該設置也應該置于文件的開頭。例如：<%@ page contentType="text/html; charset= GBK" %>。該設置和response.setCharacterEncoding("GBK")等效。 

3.5.3. meta設置 

指定網頁使用的編碼，該設置對靜態網頁尤其有作用。因為靜態網頁無法采用jsp的設置，而且也無法執行response.setCharacterEncoding()。例如：<META http-equiv="Content-Type" content="text/html; charset=GBK" /> 

如果同時采用了jsp輸出和meta設置兩種編碼指定方式，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有一個設置可以給無編碼指定的網頁指定編碼，該指定等同于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置。 

3.5.4. form設置 

當瀏覽器提交表單的時候，可以指定相應的編碼。例如：<form accept-charset= "gb2312">。一般不必不使用該設置，瀏覽器會直接使用網頁的編碼。 

4. 系統軟件 

下面討論幾個相關的系統軟件。 

4.1. mysql數據庫 

很明顯，要支持多語言，應該將數據庫的編碼設置成utf或者unicode，而utf更適合與存儲。但是，如果中文數據中包含的英文字母很少，其實unicode更為適合。 

數據庫的編碼可以通過mysql的配置文件設置，例如default-character-set=utf8。還可以在數據庫鏈接URL中設置，例如： useUnicode=true&characterEncoding=UTF-8。注意這兩者應該保持一致，在新的sql版本里，在數據庫鏈接URL里可以不進行設置，但也不能是錯誤的設置。 

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置為UTF-8，最好關閉該功能。 

另外，apache還有單獨的模塊來處理網頁響應頭，其中也可能對編碼進行設置。 

4.3. linux默認編碼 

這里所說的linux默認編碼，是指運行時的環境變量。兩個重要的環境變量是LC_ALL和LANG，默認編碼會影響到java URLEncode的行為，下面有描述。 

建議都設置為"zh_CN.UTF-8"。 

4.4. 其它 

為了支持中文文件名，linux在加載磁盤時應該指定字符集，例如：mount /dev/hda5 /mnt/hda5/ -t ntfs -o iocharset=gb2312。 

另外，如前所述，使用GET方法提交的信息不支持request.setCharacterEncoding()，但可以通過tomcat的配置文件指定字符集，在tomcat的server.xml文件中，形如：<Connector ... URIEncoding="GBK"/>。這種方法將統一設置所有請求，而不能針對具體頁面進行設置，也不一定和browser使用的編碼相同，所以有時候并不是所期望的。 

5. URL地址 

URL地址中含有中文字符是很麻煩的，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 

對于URL中的一些特殊字符，瀏覽器會自動進行編碼。這些字符除了"/?&"等外，還包括unicode字符，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將會對特殊字符進行UTF-8編碼，同時進行URL編碼。如果改選項無效，則使用默認編碼"GBK"，并且不進行URL編碼。但是，對于URL后面的參數，則總是不進行編碼，相當于UTF-8選項無效。比如" http://www.bt285.cn 中文.html?a=中文"，當UTF-8選項有效時，將發送鏈接" http://www.bt285.cn %e4%b8%ad%e6%96%87.html?a=\x4e\x2d\x65\x87"；而UTF-8選項無效時，將發送鏈接"\x4e\x2d\x65\x87.html?a=\x4e\x2d\x65\x87"。注意后者前面的"中文"兩個字只有4個字節，而前者卻有18個字節，這主要時URL編碼的原因。 

當web server（tomcat）接收到該鏈接時，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來設置成其它編碼）識別。上述例子的結果分別是" http://www.feng123.com \ue4\ub8\uad\ue6\u96\u87.html?a=\u4e\u2d\u65\u87"和" http://www.feng123.com \u4e\u2d\u65\u87.html?a=\u4e\u2d\u65\u87"，注意前者前面的"中文"兩個字恢復成了6個字符。這里用"\u"，表示是unicode。 

所以，由于客戶端設置的不同，相同的鏈接，在服務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用戶嘗試關閉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模塊，這里不描述其功能。需要說明的是該模塊會自動將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，但我試驗并未成功，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本身似乎完全是采用字節處理的方式，而不考慮字符串的編碼，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，該方法使用系統默認編碼，這會導致軟件運行結果得不確定。比如對于"中文"，當系統默認編碼為"gb2312"時，結果是"%4e%2d%65%87"，而默認編碼為"UTF-8"，結果卻是"%e4%b8%ad%e6%96%87"，后續程序將難以處理。另外，這兒說的系統默認編碼是由運行tomcat時的環境變量LC_ALL和LANG等決定的，曾經出現過tomcat重啟后就出現亂碼的問題，最后才郁悶的發現是因為修改修改了這兩個環境變量。 

建議統一指定為"UTF-8"編碼，可能需要修改相應的程序。 

5.4. 一個解決方案 

上面說起過，因為瀏覽器設置的不同，對于同一個鏈接，web server收到的是不同內容，而軟件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，不應該僥幸認為所有客戶的IE設置都是UTF-8有效的，也不應該粗暴的建議用戶修改IE設置，要知道，用戶不可能去記住每一個web server的設置。所以，接下來的解決辦法就只能是讓自己的程序多一點智能：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鏈接內容，來判斷是否是正確的UTF-8字符，如果是，則以UTF-8處理之，如果不是，則使用客戶默認編碼（比如"GBK"），下面是一個判斷是否UTF-8的例子，如果你了解相應規律，就容易理解。 

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

       int lLen=b.length,lCharCount=0; 

       for(int i=0;i<lLen && lCharCount<aMaxCount;++lCharCount){ 

              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<lCount;++j,++i) if(b[i]>=(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： 

l 沒有包括對用戶默認編碼的識別，這可以根據請求信息的語言來判斷，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。 

l 可能會錯誤判斷UTF-8字符，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，而且也采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。 

最后，應該補充說明一下，如果不使用rewrite規則，或者通過表單提交數據，其實并不一定會遇到上述問題，因為這時可以在提交數據時指定希望的編碼。另外，中文文件名確實會帶來問題，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 

除了瀏覽器和控制臺與編碼有關外，一些客戶端也很有關系。比如在使用SecureCRT連接linux時，應該讓SecureCRT的顯示編碼（不同的session，可以有不同的編碼設置）和linux的編碼環境變量保持一致。否則看到的一些幫助信息，就可能是亂碼。 

另外，mysql有自己的編碼設置，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符，查詢結果也會出現亂碼。 

對于Utf-8文件，很多編輯器（比如記事本）會在文件開頭增加三個不可見的標志字節，如果作為mysql的輸入文件，則必須要去掉這三個字符。（用linux的vi保存可以去掉這三個字符）。一個有趣的現象是，在中文windows下，創建一個新txt文件，用記事本打開，輸入"連通"兩個字，保存，再打開，你會發現兩個字沒了，只留下一個小黑點。 

6.2. 過濾器 

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

從統一的角度考慮問題，建議采用GET方法，這要求在程序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，可以考慮通過設置URIEncoding來方便獲取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，由于編碼不同，在GBK編碼下屬于兩個字。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編碼的數據，也應該轉化成相應的簡體字。當然，仍舊以UTF編碼存儲。 

例如，對于"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后應該是兩個相同的 "\xE8\xAF\xAD\xE8\xA8\x80>"。 

posted @ 2009-05-25 19:03 江蘇520| 編輯 收藏