引用:http://blog.csdn.net/Mr_IT/archive/2006/10/18/1339656.aspx
>漢字編碼的相關(guān)說明
漢字是雙字節(jié)的,要占用兩個(gè)BYTE的位置(即16位),分別稱為高位和低位。
中國規(guī)定的漢字編碼為GB2312,這是強(qiáng)制性的,目前幾乎所有的能處理中文的應(yīng)用程序都支持GB2312。GB2312包括了一二級漢字和9區(qū)符號(hào),高位從0xa1到0xfe,低位也是從0xa1到0xfe,其中,漢字的編碼范圍為0xb0a1到0xf7fe。
另外有一種編碼,叫做GBK,但這是一份規(guī)范,不是強(qiáng)制的。GBK提供了20902個(gè)漢字,它兼容GB2312,編碼范圍為0x8140到0xfefe。GBK中的所有字符都可以一一映射到Unicode 2.0。
中國還頒布了另一種標(biāo)準(zhǔn):GB18030-2000(GBK2K)。它收錄了藏、蒙等少數(shù)民族的字型,從根本上解決了字位不足的問題。注意:它不再是定長的。其二字節(jié)部份與GBK兼容,四字節(jié)部分是擴(kuò)充的字符、字形。它的首字節(jié)和第三字節(jié)從0x81到0xfe,二字節(jié)和第四字節(jié)從0x30到0x39。
2>不同語言直接的轉(zhuǎn)換
異種語言之間的轉(zhuǎn)換是通過Unicode來完成的。假設(shè)有兩種不同的語言A和B,轉(zhuǎn)換的步驟為:先把A轉(zhuǎn)化為Unicode,再把Unicode轉(zhuǎn)化為B。
舉例說明。有GB2312中有一個(gè)漢字“李”,其編碼為“C0EE”,欲轉(zhuǎn)化為ISO8859-1編碼。步驟為:先把“李”字轉(zhuǎn)化為Unicode,得到 “674E”,再把“674E”轉(zhuǎn)化為ISO8859-1字符。當(dāng)然,這個(gè)映射不會(huì)成功,因?yàn)镮SO8859-1中根本就沒有與“674E”對應(yīng)的字符。當(dāng)映射不成功時(shí),問題就發(fā)生了!當(dāng)從某語言向Unicode轉(zhuǎn)化時(shí),如果在某語言中沒有該字符,得到的將是Unicode的代碼“\uffffd”(“\ u”表示是Unicode編碼,)。而從Unicode向某語言轉(zhuǎn)化時(shí),如果某語言沒有對應(yīng)的字符,則得到的是“0x3f”(“?”)。這就是“?”的由來。例如:把字符流buf =“0x80 0x40 0xb0 0xa1”進(jìn)行new String(buf, "gb2312")操作,得到的結(jié)果是“\ufffd\u554a”,再println出來,得到的結(jié)果將是“?啊”,因?yàn)?#8220;0x80 0x40”是GBK中的字符,在GB2312中沒有。再如,把字符串String="\u00d6\u00ec\u00e9\u0046\u00bb\ u00f9"進(jìn)行new String (buf.getBytes("GBK"))操作,得到的結(jié)果是“3fa8aca8a6463fa8b4”,其中,“\u00d6”在“GBK”中沒有對應(yīng)的字符,得到“3f”,“\u00ec”對應(yīng)著“a8ac”,“\u00e9”對應(yīng)著“a8a6”,“0046”對應(yīng)著“46”(因?yàn)檫@是ASCII字符),“\u00bb”沒找到,得到“3f”,最后,“\u00f9”對應(yīng)著“a8b4”。把這個(gè)字符串println一下,得到的結(jié)果是“?ìéF? ù”。看到?jīng)]?這里并不全是問號(hào),因?yàn)镚BK與Unicode映射的內(nèi)容中除了漢字外還有字符,本例就是最好的明證。
3>Unicode格式
Unicode默認(rèn)為UTF-16格式。
UTF-8是Unicode壓縮版本,對于大多數(shù)常用字符集(ASCII中0~127字符)它只使用單字節(jié),而對其它常用字符(特別是朝鮮和漢語會(huì)意文字),它使用3字節(jié)。如果寫的主要是英語,那么UTF-8可減少文件大小一半左右。
UTF-8就是以8位為單元對UCS進(jìn)行編碼,以字節(jié)為編碼單元,沒有字節(jié)序的問題。UTF-16以兩個(gè)字節(jié)為編碼單元,在解釋一個(gè)UTF-16文本前,首先要弄清楚每個(gè)編碼單元的字節(jié)序。例如"奎"的Unicode編碼是594E,"乙"的Unicode編碼是4E59。如果我們收到UTF-16字節(jié)流 "594E",那么這是“奎”還是"乙"?Unicode規(guī)范中推薦的標(biāo)記字節(jié)順序的方法是BOM(即Byte Order Mark)。如果接收者收到FEFF,就表明這個(gè)字節(jié)流是Big-Endian的;如果收到FFFE,就表明這個(gè)字節(jié)流是Little-Endian的。
3>UTF格式
UTF,是Unicode Text Format的縮寫,意為Unicode文本格式。對于UTF,是這樣定義的:
● 如果Unicode的16位字符的頭9位是0,則用一個(gè)字節(jié)表示,這個(gè)字節(jié)的首位是“0”,剩下的7位與原字符中的后7位相同,如“\u0034” (0000 0000 0011 0100),用“34” (0011 0100)表示;(與源Unicode字符是相同的);
>7位的Unicode: 0 _ _ _ _ _ _ _
● 如果Unicode的16位字符的頭5位是0,則用2個(gè)字節(jié)表示,首字節(jié)是“110”開頭,后面的5位與源字符中除去頭5個(gè)零后的最高5位相同;第二個(gè)字節(jié)以“10”開頭,后面的6位與源字符中的低6位相同。如“\u025d”(0000 0010 0101 1101),轉(zhuǎn)化后為“c99d”(1100 1001 1001 1101);
>11位的Unicode: 1 1 0 _ _ _ _ _ 1 0 _ _ _ _ _ _
● 如果不符合上述兩個(gè)規(guī)則,則用三個(gè)字節(jié)表示。第一個(gè)字節(jié)以“1110”開頭,后四位為源字符的高四位;第二個(gè)字節(jié)以“10”開頭,后六位為源字符中間的六位;第三個(gè)字節(jié)以“10”開頭,后六位為源字符的低六位;如“\u9da7”(1001 1101 1010 0111),轉(zhuǎn)化為“e9b6a7”(1110 1001 1011 0110 1010 0111);
>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 _ _ _ _ _ _
可以這么描述JAVA程序中Unicode與UTF的關(guān)系,雖然不絕對:字符串在內(nèi)存中運(yùn)行時(shí),表現(xiàn)為Unicode代碼,而當(dāng)要保存到文件或其它介質(zhì)中去時(shí),用的是UTF。這個(gè)轉(zhuǎn)化過程是由writeUTF和readUTF來完成的。
4>Java程序中的編碼格式內(nèi)幕
input(charsetA)->process(Unicode)->output(charsetB)
即輸入、處理和輸出要經(jīng)過“從charsetA到unicode再到charsetB”的轉(zhuǎn)化。
SourceFile(jsp,java)->class->output
輸入的是jsp和java源文件,在處理過程中,以Class文件為載體,然后輸出。
● JSP從源文件到Class的過程。
在本節(jié)中,將闡述JSP文件的解釋和編譯過程,并跟蹤其中的中文變化。
1、JSP/Servlet引擎提供的JSP轉(zhuǎn)換工具(jspc)搜索JSP文件中用<%@ page contentType ="text/html; charset=<Jsp-charset>"%>中指定的charset。如果在JSP文件中未指定<Jsp-charset>,則取JVM中的默認(rèn)設(shè)置file.encoding,一般情況下,這個(gè)值是ISO8859-1;
2、jspc用相當(dāng)于“javac –encoding <Jsp-charset>”的命令解釋JSP文件中出現(xiàn)的所有字符,包括中文字符和ASCII字符,然后把這些字符轉(zhuǎn)換成Unicode字符,再轉(zhuǎn)化成 UTF格式,存為JAVA文件。ASCII碼字符轉(zhuǎn)化為Unicode字符時(shí)只是簡單地在前面加“00”,如“A”,轉(zhuǎn)化為“\u0041”(不需要理由,Unicode的碼表就是這么編的)。然后,經(jīng)過到UTF的轉(zhuǎn)換,又變回“41”了!這也就是可以使用普通文本編輯器查看由JSP生成的JAVA文件的原因;
3、引擎用相當(dāng)于“javac –encoding UNICODE”的命令,把JAVA文件編譯成CLASS文件;
先看一下這些過程中中文字符的轉(zhuǎn)換情況。有如下源代碼:
<%@ page contentType="text/html; charset=gb2312"%>
<html><body>
<%
String a="中文";
out.println(a);
%>
</body></html>
兩個(gè)字的GB2312編碼為“D6 D0 CE C4”。經(jīng)查表,“中文”兩字的Unicode編碼為“\u4E2D\u6587”,用 UTF表示就是“E4 B8 AD E6 96 87”。此JSP文件生成的JAVA文件中的“中文”兩個(gè)字被“E4 B8 AD E6 96 87”替代了,再查看由JAVA文件編譯生成的CLASS文件,發(fā)現(xiàn)結(jié)果與JAVA文件中的完全一樣。
再看JSP中指定的CharSet為ISO-8859-1的情況。
<%@ page contentType="text/html; charset=ISO-8859-1"%>
<html><body>
<%
String a="中文";
out.println(a);
%>
</body></html>
先推測一下生成的JAVA文件和CLASS文件的過程:jspc用ISO-8859-1來解釋“中文”,并把它映射到Unicode。由于ISO- 8859-1是8位的,其映射規(guī)則就是在每個(gè)字節(jié)前加“00”,所以,映射后的Unicode編碼應(yīng)為“\u00D6\u00D0\u00CE\ u00C4”,轉(zhuǎn)化成UTF后應(yīng)該是“C3 96 C3 90 C3 8E C3 84”。最后,打開文件看一下,JAVA文件和CLASS文件中,“中文”果然都表示為“C3 96 C3 90 C3 8E C3 84”。
如果上述代碼中不指定<Jsp-charset>,即把第一行寫成“<%@ page contentType="text/html" %>”,JSPC會(huì)使用file.encoding的設(shè)置來解釋JSP文件。在RedHat 6.2上,其處理結(jié)果與指定為ISO-8859-1是完全相同的。
到現(xiàn)在為止,已經(jīng)解釋了從JSP文件到CLASS文件的轉(zhuǎn)變過程中中文字符的映射過程。一句話:從“JspCharSet到Unicode再到UTF”。
● Servlet從源文件到Class的過程
本節(jié)將討論Servlet的編譯過程并跟蹤其中的中文變化。
用“javac”編譯Servlet源文件。javac可以帶“-encoding <Compile-charset>”參數(shù),意思是“用< Compile-charset >中指定的編碼來解釋Serlvet源文件”。
源文件在編譯時(shí),用<Compile-charset>來解釋所有字符,包括中文字符和ASCII字符。然后把字符常量轉(zhuǎn)變成Unicode字符,最后,把Unicode轉(zhuǎn)變成UTF。
在Servlet中,還有一個(gè)地方設(shè)置輸出流的CharSet。通常在輸出結(jié)果前,調(diào)用HttpServletResponse的 setContentType方法來達(dá)到與在JSP中設(shè)置<Jsp-charset>一樣的效果,稱之為<Servlet-charset>。
注意,文中一共提到了三個(gè)變量:<Jsp-charset>、<Compile-charset>和<Servlet-charset>。其中,JSP文件只與<Jsp-charset>有關(guān),而<Compile-charset>和<Servlet-charset>只與Servlet有關(guān)。
import javax.servlet.*;
import javax.servlet.http.*;
class testServlet extends HttpServlet
{
public void doGet(HttpServletRequest req,HttpServletResponse res)
throws ServletException,java.io.IOException
{
res.setContentType("text/html; charset=GB2312");
java.io.PrintWriter out=res.getWriter();
out.println("<html>");
out.println("#中文#");
out.println("</html>");
}
}
開始編譯。下表是<Compile-charset>不同時(shí),CLASS文件中“中文”兩字的十六進(jìn)制碼。在編譯過程中,<Servlet- charset>不起任何作用。<Servlet-charset>只對CLASS文件的輸出產(chǎn)生影響,實(shí)際上是<Servlet-charset>和<Compile-charset>一起,達(dá)到與JSP文件中的<Jsp-charset>相同的效果,因?yàn)椋糐sp-charset>對編譯和 CLASS文件的輸出都會(huì)產(chǎn)生影響。“中文”兩個(gè)字的GB2312編碼為“D6 D0 CE C4”
Compile-charset Class文件中 等效的Unicode碼
GB2312 E4 B8 AD E6 96 87(UTF) \u4E2D\u6587 (在Unicode中=“中文”)
ISO-8859-1 C3 96 C3 90 C3 8E C3 84 (UTF) \u00D6 \u00D0 \u00CE \u00C4 (在D6 D0 CE C4前面各加了一個(gè)00)
(默認(rèn)) 同ISO-8859-1 同ISO-8859-1
普通Java程序的編譯過程與Servlet完全一樣。
接下來看看CLASS又是怎樣輸出中文的呢?
上文說過,字符串在內(nèi)存中表現(xiàn)為Unicode編碼。至于這種Unicode編碼表示了什么,那要看它是從哪種字符集映射過來的,也就是說要看它的祖先。看看上面的例子,如果給一串Unicode編碼“00D6 00D0 00CE 00C4”,如果不作轉(zhuǎn)換,直接用Unicode碼表來對照它時(shí),是四個(gè)字符(而且是特殊字符);假如把它與“ISO8859-1”進(jìn)行映射,則直接去掉前面的“00”即可得到“D6 D0 CE C4”,這是ASCII碼表中的四個(gè)字符;而假如把它當(dāng)作GB2312來進(jìn)行映射,得到的結(jié)果很可能是一大堆亂碼,因?yàn)樵贕B2312中有可能沒有(也有可能有)字符與00D6等字符對應(yīng)(如果對應(yīng)不上,將得到0x3f,也就是問號(hào),如果對應(yīng)上了,由于00D6等字符太靠前,估計(jì)也是一些特殊符號(hào),真正的漢字在Unicode中的編碼從4E00開始)。
可以,同樣的Unicode字符,可以解釋成不同的樣子。當(dāng)然,這其中有一種是我們期望的結(jié)果。
以上例而論,“D6 D0 CE C4”應(yīng)該是我們所想要的,當(dāng)把“D6 D0 CE C4”輸出到IE中時(shí),用“簡體中文”方式查看,就能看到清楚的“中文”兩個(gè)字了。
Servlet中,當(dāng)Compile-charset=Servlet-charset時(shí),顯示結(jié)果肯定正常。
● 最終結(jié)論:
在Class輸出字符串前,會(huì)將Unicode的字符串按照某一種內(nèi)碼重新生成字節(jié)流,然后把字節(jié)流輸入,相當(dāng)于進(jìn)行了一步“String.getBytes(???)”操作。???代表某一種字符集。
如果是Servlet,那么,這種內(nèi)碼就是在HttpServletResponse.setContentType()方法中指定的內(nèi)碼,也就是上文定義的<Servlet-charset>。
如果是JSP,那么,這種內(nèi)碼就是在<%@ page contentType=""%>中指定的內(nèi)碼,也就是上文定義的<Jsp-charset>。
如果是Java程序,那么,這種內(nèi)碼就是file.encoding中指定的內(nèi)碼,默認(rèn)為ISO8859-1。
5>結(jié)論
在Jsp文件中,要指定contentType,其中,charset的值要與客戶端瀏覽器所用的字符集一樣;對于其中的字符串常量,不需做任何內(nèi)碼轉(zhuǎn)換;對于字符串變量,要求能根據(jù)ContentType中指定的字符集還原成客戶端能識(shí)別的字節(jié)流,簡單地說,就是“字符串變量是基于<Jsp- charset>字符集的”;
在Servlet中,必須用HttpServletResponse.setContentType()設(shè)置charset,且設(shè)置成與客戶端內(nèi)碼一致;對于其中的字符串常量,需要在Javac編譯時(shí)指定encoding,這個(gè)encoding必須與編寫源文件的平臺(tái)的字符集一樣,一般說來都是 GB2312或GBK;對于字符串變量,與JSP一樣,必須“是基于<Servlet-charset>字符集的”。
Trackback: http://tb.blog.csdn.net/TrackBack.aspx?PostId=1339656