当前位置导航:炫浪网>>网络学院>>编程开发>>JAVA教程>>Java入门

java中 中文问题详解


  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"<%@page include的符号。有,则在相同
  --地方设定response.setContentType(..);按照encoding的来读,没有他按照8859_1
  --读取文件,然后用UTF-8写成.java文件,然后用sun.tools.Main去读取这个文件,
  --(当然它使用UTF-8去读),然后编译成class文件
  --setContentType改变的是out的属性,out变量缺省的encoding是8859_1
  
  2.对Parameter的解释
  --很不幸Parameter只有ISO8859_1的解释,这个质料可以在servlet的实现代码中找到。
  
  3.对include的解释
  格式的,但是很不幸,由于那个写"org.apache.jasper.compiler.Parser"的人
  在数组JspUtil.ValidAttribute[]忘记加了一个参数:encoding,因此导致不支
  持这种方式。你完全可以编译源代码,加上对encoding的支持
  
  总结:
  
  如果你在NT底下,最简单的方法就是欺骗java,不加任何Encoding变量:
  
  你好<%=request.getParameter("value")%>
  
  
  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:
  <%@ page contentType="text/html;charset=gb2312" %>
  
  你好<%=new String(request.getParameter("value").getBytes("8859_1"),"gb2312")%>
  
  
  
  必读好文,但解决方案不敢恭维
  
  
相关内容
赞助商链接