forget and forget

漢字編碼的常識(shí)

我們知道，英文字符一般是以一個(gè)字節(jié)來(lái)表示的，最常用的編碼方法是 ASCII 。但一個(gè)字節(jié)最多只能區(qū)分256個(gè)字符，而漢字成千上萬(wàn)，所以現(xiàn)在都以雙字節(jié)來(lái)表示漢字，為了能夠與英文字符分開，每個(gè)字節(jié)的最高位一定為1，這樣雙字節(jié)最多可以表示64K格字符。我們經(jīng)常碰到的編碼方式有 GB2312、BIG5、UNICODE 等。關(guān)于具體編碼方式的詳細(xì)資料，有興趣的讀者可以查閱相關(guān)資料。我膚淺談一下和我們關(guān)系密切的 GB2312 和 UNICODE。GB2312 碼，中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn)漢字信息交換用編碼，是一個(gè)由中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn)總局發(fā)布的關(guān)于簡(jiǎn)化漢字的編碼，通行于中國(guó)大陸地區(qū)及新加坡，簡(jiǎn)稱國(guó)標(biāo)碼。兩個(gè)字節(jié)中，第一個(gè)字節(jié)（高字節(jié)）的值為區(qū)號(hào)值加32（20H），第二個(gè)字節(jié)（低字節(jié)）的值為位號(hào)值加32（20H），用這兩個(gè)值來(lái)表示一個(gè)漢字的編碼。UNICODE 碼是微軟提出的解決多國(guó)字符問(wèn)題的多字節(jié)等長(zhǎng)編碼，它對(duì)英文字符采取前面加“0”字節(jié)的策略實(shí)現(xiàn)等長(zhǎng)兼容。如 “A” 的 ASCII 碼為0x41，UNICODE 就為0x00，0x41。利用特殊的工具各種編碼之間可以互相轉(zhuǎn)換。

事實(shí)上，Java的中文問(wèn)題都是由于Java應(yīng)用所采用的缺省編碼格式與目標(biāo)或者應(yīng)用所要讀入字符的編碼格式不同而造成的（具體參見文獻(xiàn)1）。對(duì)于如何解決Java的中文問(wèn)題，通常有四種方法：

1） 選擇JDK的中文本地化版本。盡管Java2 JDK的中文本地化版本（http://java.sun.com/products/jdk/1.2/chinesejdk.html）并不是一個(gè)官方的版本，Sun公司也沒(méi)有承諾會(huì)對(duì)該本地化版本進(jìn)行升級(jí)，但其仍不失為一個(gè)Java中文問(wèn)題的解決方案。

2） 選擇合適的編譯參數(shù)。對(duì)于Java的國(guó)際版本來(lái)講，我們也可以在編譯Java應(yīng)用的時(shí)候通過(guò)指定確定的編碼機(jī)制來(lái)實(shí)現(xiàn)其編譯結(jié)果對(duì)中文的支持。例如，對(duì)于需要支持繁體中文和簡(jiǎn)體中文應(yīng)用可以通過(guò)javac -encoding big5 sourcefile.java 和javac -encoding gb2312 sourcefile.java來(lái)編譯源程序。

3） 通過(guò)編程的方式實(shí)現(xiàn)字符編碼的轉(zhuǎn)換代碼。通過(guò)編程的方式來(lái)解決Java的中文問(wèn)題，已經(jīng)成為了一種較為普遍的做法。下面就是一種最常見的字符編碼轉(zhuǎn)換函數(shù)，其將字符的編碼格式轉(zhuǎn)換為中文Windows系統(tǒng)的GBK編碼形式。

public ? static ?String?toChinese(String?strvalue)
??? {
????? try {
??????? if (strvalue == null )
????????? return ? null ;
??????? else
????????? {
???????????strvalue? = ? new ?String(strvalue.getBytes( " ISO8859_1 " ),? " GBK " );
??????????? return ?strvalue;
?????????}
?????????} catch (Exception?e) {
??????????????? return ? null ;
??????}
???}

4） 定義字符輸出集。對(duì)于JSP應(yīng)用，我們可以通過(guò)<%@ page contentType="text/html; charset=GBK" %>或<%@ page contentType="text/html; charset=GB2312" %>來(lái)定義JSP頁(yè)面的字符輸出集。當(dāng)然，我們也可以通過(guò)HTML的標(biāo)記<META HTTP-EQUIV="Content-Type" CONTENT="text/html; charset=gb2312">來(lái)定義字符的輸出集。

分析的原則

總的說(shuō)來(lái)，所有解決Java中文處理的方法都不是很復(fù)雜。相反的是，由于Java技術(shù)特別是J2EE技術(shù)涉及的內(nèi)容繁多，各種Web服務(wù)器、應(yīng)用服務(wù)器以及JDBC數(shù)據(jù)庫(kù)驅(qū)動(dòng)等參差不齊，所以如何正確而及時(shí)的發(fā)現(xiàn)應(yīng)用的中文處理問(wèn)題則變得相對(duì)復(fù)雜的多。那么我們?nèi)绾蝸?lái)發(fā)現(xiàn)這些問(wèn)題呢？

通常，Java處理中文時(shí)所產(chǎn)生的問(wèn)題都是由于用戶的Java應(yīng)用所采用的缺省編碼格式與目標(biāo)或者應(yīng)用所要讀入字符的編碼格式不同而造成的，而引起這些不同的一個(gè)主要原因就是用戶的Java應(yīng)用與其它應(yīng)用進(jìn)行了編碼格式不匹配的數(shù)據(jù)交換（包括直接或間接的數(shù)據(jù)輸入、輸出）。所以，為了及時(shí)發(fā)現(xiàn)問(wèn)題，我們可以由這一點(diǎn)入手，根據(jù)以下的原則對(duì)應(yīng)用進(jìn)行分析：

1. 注意字符變量情況。由于變量的字符編碼形式較為隱蔽，多次變量間數(shù)值的改變和運(yùn)算可能會(huì)引起字符集的改變；在變量與頁(yè)面所提交數(shù)據(jù)的各種操作中，較容易發(fā)生不同編碼格式字符進(jìn)行運(yùn)算的情況。
2. 注意任何形式的字符讀入與輸出。之所以要提到任何形式，是因?yàn)镴ava應(yīng)用大多數(shù)都是作為網(wǎng)絡(luò)應(yīng)用開發(fā)的，所以與其它語(yǔ)言的應(yīng)用相比，Java應(yīng)用需要面對(duì)網(wǎng)絡(luò)世界各種各樣的字符數(shù)據(jù)交換形式。例如各種表單的數(shù)據(jù)提交，URL形式的數(shù)據(jù)讀入，經(jīng)過(guò)加密運(yùn)算的字符數(shù)據(jù)交換，網(wǎng)頁(yè)控件選擇結(jié)果的輸入，控件內(nèi)容的的顯示（如List控件）等等。
3. 小心使用第三方的組件和應(yīng)用。由于第三方組件和應(yīng)用的實(shí)現(xiàn)是非透明的，所以一般情況下，我們很難判斷這些組件或驅(qū)動(dòng)的缺省編碼格式是什么，也無(wú)法對(duì)其進(jìn)行控制。因此，在使用它們所提供的接口函數(shù)進(jìn)行數(shù)據(jù)交換的時(shí)候要特別注意，如果確實(shí)出現(xiàn)中文無(wú)法正確處理情況，應(yīng)首先檢查我們自己的代碼并調(diào)整相關(guān)代碼以適應(yīng)這些接口，因?yàn)檫@些組件或者應(yīng)用基本上不會(huì)提供調(diào)整編碼機(jī)制的接口。必要時(shí)，我們可能需要采用其它可替換的組件或者應(yīng)用。
4. 注意被請(qǐng)求對(duì)象所含有的數(shù)據(jù)輸入與輸出。這是非常隱蔽的一類情況，當(dāng)我們的應(yīng)用以對(duì)象的方式（例如序列化的對(duì)象）進(jìn)行交互時(shí)，如果這個(gè)對(duì)象內(nèi)部含有字符數(shù)據(jù)的處理過(guò)程，或者含有某些數(shù)據(jù)的輸入、輸出，甚至是拋出一段用中文注解的異常，都可能出現(xiàn)中文無(wú)法正確顯示等問(wèn)題。由于這些行為往往被封裝在對(duì)象中，所以我們?cè)诰帉懗绦驎r(shí)，很容易忽略這種可能情況。并且這種情況帶有一定的不可預(yù)見性，例如我們可能不清楚這個(gè)對(duì)象會(huì)在什么時(shí)候拋出什么樣的異常，所以這時(shí)我們就需要做一定的測(cè)試工作。
5. 注意數(shù)據(jù)庫(kù)的數(shù)據(jù)訪問(wèn)過(guò)程。Java通過(guò)JDBC與數(shù)據(jù)庫(kù)建立連接。對(duì)于JDBC驅(qū)動(dòng)程序來(lái)說(shuō)，由于目前大部分的JDBC驅(qū)動(dòng)程序并不是針對(duì)中文系統(tǒng)而設(shè)計(jì)的(中文數(shù)據(jù)大都采用ISO-8859-1編碼方式)，所以一般情況下在數(shù)據(jù)讀寫過(guò)程中往往都需要字符編碼的轉(zhuǎn)化。但是我們?nèi)越ㄗh用戶在使用這些JDBC驅(qū)動(dòng)時(shí)，仔細(xì)閱讀它的說(shuō)明。如果確實(shí)無(wú)法弄清JDBC字符數(shù)據(jù)的編碼到底是什么，我們的建議是做一些必要的測(cè)試。例如下面是一組在簡(jiǎn)體中文Win2000平臺(tái)下，采用Weblogic 6.0所提供的JDBC驅(qū)動(dòng)從MS SQL Server2000中正確讀入中文字符的代碼（例子中進(jìn)行了字符運(yùn)算）：
   
   ????
   Class.forName("weblogic.jdbc.mssqlserver4.Driver").newInstance();
   ??????conn?=?myDriver.connect("jdbc:weblogic:mssqlserver4",?props);
   ??????conn.setCatalog("labmanager");
   ?????Statement?st?=?conn.createStatement();
   ????????//execute?a?query
   ????String??testStr;
   String?testTempStr?=?new?String()?;
   ????????testStr?=?new?String(testTempStr.getBytes("ISO-8859-1"));//編碼轉(zhuǎn)化
   ????DatabaseMetaData?DBMetaData?=conn.getMetaData();
   ????ResultSet?rs?=?DBMetaData.getTables(null,?null,null,new?String[]{"TABLE"}?);
   ????while?(rs.next()){
   ????????for(int?j=1;?j<=rs.getMetaData().getColumnCount();?j++){
   testStr?=?testStr?+String(rs.getObject(j).toString().getBytes("ISO-8859-1"));
   ????????????}
   ????????}
6. 然而，需要注意的是，不同的JDBC驅(qū)動(dòng)對(duì)相同的數(shù)據(jù)庫(kù)的支持并不同，而同一類JDBC驅(qū)動(dòng)對(duì)不同的??數(shù)據(jù)庫(kù)的支持也不相同，也就是說(shuō)我們的字符轉(zhuǎn)化代碼在JDBC驅(qū)動(dòng)改變甚至是版本變化情況下都有可能無(wú)法正確工作。例如對(duì)于上面的例子，在同樣的環(huán)境下改用i-net 的Una 2000 Driver Version 2.03 for MS SQL Server時(shí)，是無(wú)法正確處理中文的。原因很簡(jiǎn)單，這個(gè)JDBC驅(qū)動(dòng)本身支持的就是GBK的編碼機(jī)制，所以根本就不需要做任何的編碼轉(zhuǎn)化。?
7. ?必要的測(cè)試。由于Java中文問(wèn)題的產(chǎn)生隨著Web服務(wù)器，瀏覽器，運(yùn)行環(huán)境和開發(fā)工具的不同都可能發(fā)生變化，所以為了更好的避免問(wèn)題的發(fā)生，我們必須作一些針對(duì)性的測(cè)試。另外，在我們確實(shí)無(wú)法通過(guò)分析來(lái)確定Java的中文處理問(wèn)題是否可能發(fā)生的情況下或者無(wú)法知道問(wèn)題的發(fā)生是由于哪個(gè)環(huán)節(jié)（是Web服務(wù)器，瀏覽器還是JDBC數(shù)據(jù)驅(qū)動(dòng)等等）引起的時(shí)候，測(cè)試工作則變得非常重要。并且我們可能需要較為全面的測(cè)試，例如對(duì)Web服務(wù)器，瀏覽器和JDBC數(shù)據(jù)驅(qū)動(dòng)等都要做測(cè)試，這樣有利于我們找出那些隱藏在多個(gè)環(huán)節(jié)協(xié)調(diào)過(guò)程中所產(chǎn)生的問(wèn)題。

Java 的基本類也可能存在問(wèn)題。由于國(guó)際化的工作并不是在國(guó)內(nèi)完成的，所以在這些基本類發(fā)布之前，沒(méi)有經(jīng)過(guò)嚴(yán)格的測(cè)試，所以對(duì)中文字符的支持并不像 Java Soft 所聲稱的那樣完美。前不久，我的一位技術(shù)上的朋友發(fā)信給我說(shuō)，他終于找到了 Java Servlet 中文問(wèn)題的根源。兩周以來(lái)，他一直為 Java Servlet 的中文問(wèn)題所困擾，因?yàn)槊棵鎸?duì)一個(gè)含有中文字符的字符串都必須進(jìn)行強(qiáng)制轉(zhuǎn)換才能夠得到正確的結(jié)果（這好象是大家公認(rèn)的唯一的解決辦法）。后來(lái)，他確實(shí)不想如此繼續(xù)安分下去了，因?yàn)檫@樣的事情確實(shí)不應(yīng)該是高級(jí)程序員所要做的工作，他就找出 Servlet 解碼的源代碼進(jìn)行分析，因?yàn)樗麘岩蓡?wèn)題就出在解碼這部分。經(jīng)過(guò)四個(gè)小時(shí)的奮斗，他終于找到了問(wèn)題的根源所在。原來(lái)他的懷疑是正確的， Servlet 的解碼部分完全沒(méi)有考慮雙字節(jié)，直接把 %XX 當(dāng)作一個(gè)字符。（原來(lái) Java Soft 也會(huì)犯這幺低級(jí)的錯(cuò)誤！）

如果你對(duì)這個(gè)問(wèn)題有興趣或者遇到了同樣的煩惱的話，你可以按照他的步驟 對(duì)Servlet.jar 進(jìn)行修改：

找到源代碼 HttpUtils 中的 static private String parseName ，在返回前將 sb（StringBuffer） 復(fù)制成 byte bs[] ，然后 return new String(bs,”GB2312”)。作上述修改后就需要自己解碼了：

HashTable form=HttpUtils .parseQueryString(request.getQueryString())或者

form=HttpUtils.parsePostData(……)

千萬(wàn)別忘了編譯后放到 Servlet.jar 里面。


java中文問(wèn)題詳解
http://www.cn-java.com/target/news.php?news_id=210
關(guān)于Java中文問(wèn)題的幾條分析原則http://www-900.ibm.com/developerWorks/cn/java/l-javachinese/index.shtml
全方位解決xml中文問(wèn)題http://www.csdn.net/develop/read_article.asp?id=18901
servlet 中的漢字編碼問(wèn)題http://www-900.ibm.com/developerWorks/cn/java/jsp_dbcsz/index.shtml
Java程序的國(guó)際化和本地化介紹http://www-900.ibm.com/developerWorks/cn/java/joy-i18n/index.shtml
Java 編程技術(shù)中漢字問(wèn)題的分析及解決http://www-900.ibm.com/developerWorks/cn/java/java_chinese/index.shtml
Unicode專題http://www-900.ibm.com/developerWorks/cn/theme/unicode.shtml
這里也有篇專家寫的文章:
http://www.javaworld.com/javaworld/jw-04-2004/jw-0419-multibytes.html