微藍(lán)領(lǐng)域

概述

 

世界上的各地區(qū)都有本地的語(yǔ)言。地區(qū)差異直接導(dǎo)致了語(yǔ)言環(huán)境的差異。在開(kāi)發(fā)一個(gè)國(guó)際化程序的過(guò)程中，處理語(yǔ)言問(wèn)題就顯得很重要了。

這是一個(gè)世界范圍內(nèi)都存在的問(wèn)題，所以，Java提供了世界性的解決方法。本文描述的方法是用于處理中文的，但是，推而廣之，對(duì)于處理世界上其它國(guó)家和地區(qū)的語(yǔ)言同樣適用。

漢字是雙字節(jié)的。所謂雙字節(jié)是指一個(gè)雙字要占用兩個(gè)BYTE的位置（即16位），分別稱為高位和低位。中國(guó)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(jí)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。

在不久的將來(lái)，中國(guó)會(huì)頒布另一種標(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(wèn)題。注意：它不再是定長(zhǎng)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。

本文不打算介紹Unicode，有興趣的可以瀏覽“http://www.unicode.org/”查看更多的信息。Unicode有一個(gè)特性：它包括了世界上所有的字符字形。所以，各個(gè)地區(qū)的語(yǔ)言都可以建立與Unicode的映射關(guān)系，而Java正是利用了這一點(diǎn)以達(dá)到異種語(yǔ)言之間的轉(zhuǎn)換。

在JDK中，與中文相關(guān)的編碼有：

表1 JDK中與中文相關(guān)的編碼列表

編碼名稱	說(shuō) 明
ASCII	7位，與ascii7相同
ISO8859-1	8-位，與 8859_1,ISO-8859-1,ISO_8859-1,latin1...等相同
GB2312-80	16位，與gb2312,gb2312-1980,EUC_CN,euccn,1381,Cp1381, 1383, Cp1383, ISO2022CN,ISO2022CN_GB...等相同
GBK	與MS936相同，注意：區(qū)分大小寫
UTF8	與UTF-8相同
GB18030	與cp1392、1392相同，目前支持的JDK很少

在實(shí)際編程時(shí)，接觸得比較多的是GB2312（GBK）和ISO8859-1。

 

為什么會(huì)有“?”號(hào)

 

上文說(shuō)過(guò)，異種語(yǔ)言之間的轉(zhuǎn)換是通過(guò)Unicode來(lái)完成的。假設(shè)有兩種不同的語(yǔ)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(shuō)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)?/span>ISO8859-1中根本就沒(méi)有與“674E”對(duì)應(yīng)的字符。

當(dāng)映射不成功時(shí)，問(wèn)題就發(fā)生了！當(dāng)從某語(yǔ)言向Unicode轉(zhuǎn)化時(shí)，如果在某語(yǔ)言中沒(méi)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(yǔ)言轉(zhuǎn)化時(shí)，如果某語(yǔ)言沒(méi)有對(duì)應(yīng)的字符，則得到的是“0x3f”（“?”）。這就是“?”的由來(lái)。

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(lái)，得到的結(jié)果將是“?啊”，因?yàn)?#8220;0x80 0x40”是GBK中的字符，在GB2312中沒(méi)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(méi)有對(duì)應(yīng)的字符，得到“3f”，“\u00ec”對(duì)應(yīng)著“a8ac”，“\u00e9”對(duì)應(yīng)著“a8a6”，“0046”對(duì)應(yīng)著“46”（因?yàn)檫@是ASCII字符），“\u00bb”沒(méi)找到，得到“3f”，最后，“\u00f9”對(duì)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(wèn)號(hào)，因?yàn)?/span>GBK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。

所以，在漢字轉(zhuǎn)碼時(shí)，如果發(fā)生錯(cuò)亂，得到的不一定都是問(wèn)號(hào)噢！不過(guò)，錯(cuò)了終究是錯(cuò)了，50步和100步并沒(méi)有質(zhì)的差別。

或者會(huì)問(wèn)：如果源字符集中有，而Unicode中沒(méi)有，結(jié)果會(huì)如何？回答是不知道。因?yàn)槲沂诸^沒(méi)有能做這個(gè)測(cè)試的源字符集。但有一點(diǎn)是肯定的，那就是源字符集不夠規(guī)范。在Java中，如果發(fā)生這種情況，是會(huì)拋出異常的。

 

什么是UTF

 

UTF，是Unicode Text Format的縮寫，意為Unicode文本格式。對(duì)于UTF，是這樣定義的：

（1）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）；

（2）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(kāi)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(kāi)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）；

（3）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(kāi)頭，后四位為源字符的高四位；第二個(gè)字節(jié)以“10”開(kāi)頭，后六位為源字符中間的六位；第三個(gè)字節(jié)以“10”開(kāi)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）；

可以這么描述JAVA程序中Unicode與UTF的關(guān)系，雖然不絕對(duì)：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(guò)程是由writeUTF和readUTF來(lái)完成的。

 

好了，基礎(chǔ)性的論述差不多了，下面進(jìn)入正題。

 

先把這個(gè)問(wèn)題想成是一個(gè)黑匣子。先看黑匣子的一級(jí)表示：

 input(charsetA)->process(Unicode)->output(charsetB)

簡(jiǎn)單，這就是一個(gè)IPO模型，即輸入、處理和輸出。同樣的內(nèi)容要經(jīng)過(guò)“從charsetA到unicode再到charsetB”的轉(zhuǎn)化。

再看二級(jí)表示：

   SourceFile(jsp,java)->class->output

在這個(gè)圖中，可以看出，輸入的是jsp和java源文件，在處理過(guò)程中，以Class文件為載體，然后輸出。再細(xì)化到三級(jí)表示：

jsp->temp file->class->browser,os console,db

app,servlet->class->browser,os console,db

 

這個(gè)圖就更明白了。Jsp文件先生成中間的Java文件，再生成Class。而Servlet和普通App則直接編譯生成Class。然后，從Class再輸出到瀏覽器、控制臺(tái)或數(shù)據(jù)庫(kù)等。

 

JSP：從源文件到Class的過(guò)程

 

Jsp的源文件是以“.jsp”結(jié)尾的文本文件。在本節(jié)中，將闡述JSP文件的解釋和編譯過(guò)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(jiǎn)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(guò)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(guò)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>

這段代碼是在UltraEdit for Windows上編寫的。保存后，“中文”兩個(gè)字的16進(jìn)制編碼為“D6 D0 CE C4”（GB2312編碼）。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”。打開(kāi)引擎生成的由JSP文件轉(zhuǎn)變而成的JAVA文件，發(fā)現(xiàn)其中的“中文”兩個(gè)字確實(shí)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>

同樣，該文件是用UltraEdit編寫的，“中文”這兩個(gè)字也是存為GB2312編碼“D6 D0 CE C4”。先模擬一下生成的JAVA文件和CLASS文件的過(guò)程：jspc用ISO-8859-1來(lái)解釋“中文”，并把它映射到Unicode。由于ISO-8859-1是8位的，且是拉丁語(yǔ)系，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”。好，打開(kāi)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(lái)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(guò)程中中文字符的映射過(guò)程。一句話：從“JspCharSet到Unicode再到UTF”。下表總結(jié)了這個(gè)過(guò)程：

表2 “中文”從JSP到CLASS的轉(zhuǎn)化過(guò)程

Jsp-CharSet	JSP文件中	JAVA文件中	CLASS文件中
GB2312	D6 D0 CE C4 (GB2312)	從\u4E2D\u6587(Unicode)到 E4 B8 AD E6 96 87 (UTF)	E4 B8 AD E6 96 87 (UTF)
ISO-8859-1	D6 D0 CE C4 (GB2312)	從\u00D6\u00D0\u00CE\u00C4 (Unicode)到C3 96 C3 90 C3 8E C3 84 (UTF)	C3 96 C3 90 C3 8E C3 84 (UTF)
無(wú)（默認(rèn)＝file.encoding）	同ISO-8859-1	同ISO-8859-1	同ISO-8859-1

 

下節(jié)先討論Servlet從JAVA文件到CLASS文件的轉(zhuǎn)化過(guò)程，然后再解釋從CLASS文件如何輸出到客戶端。之所以這樣安排，是因?yàn)?/span>JSP和Servlet在輸出時(shí)處理方法是一樣的。

 

Servlet：從源文件到Class的過(guò)程

 

Servlet源文件是以“.java”結(jié)尾的文本文件。本節(jié)將討論Servlet的編譯過(guò)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(lái)解釋Serlvet源文件”。

源文件在編譯時(shí)，用<Compile-charset>來(lái)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(lái)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)。

看下例：

import javax.servlet.*; import javax.servlet.http.*;   class testServlet extends HttpServlet {        public void doGet(HttpServletRequest req,HttpServletResponse resp)        throws ServletException,java.io.IOException        {               resp.setContentType("text/html; charset=GB2312");               java.io.PrintWriter out=resp.getWriter();               out.println("<html>");               out.println("#中文#");               out.println("</html>");        } }

該文件也是用UltraEdit for Windows編寫的，其中的“中文”兩個(gè)字保存為“D6 D0 CE C4”（GB2312編碼）。

開(kāi)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(guò)程中，<Servlet-charset>不起任何作用。<Servlet-charset>只對(duì)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)?/span><Jsp-charset>對(duì)編譯和CLASS文件的輸出都會(huì)產(chǎn)生影響。

表3 “中文”從Servlet源文件到Class的轉(zhuǎn)變過(guò)程

Compile-charset	Servlet源文件中	Class文件中	等效的Unicode碼
GB2312	D6 D0 CE C4 (GB2312)	E4 B8 AD E6 96 87 (UTF)	\u4E2D\u6587 (在Unicode中＝“中文”)
ISO-8859-1	D6 D0 CE C4 (GB2312)	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)
無(wú)（默認(rèn)）	D6 D0 CE C4 (GB2312)	同ISO-8859-1	同ISO-8859-1

 

普通Java程序的編譯過(guò)程與Servlet完全一樣。

 

CLASS文件中的中文表示法是不是昭然若揭了？OK，接下來(lái)看看CLASS又是怎樣輸出中文的呢？

 

Class：輸出字符串

 

上文說(shuō)過(guò)，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(guò)來(lái)的，也就是說(shuō)要看它的祖先。這好比在托運(yùn)行李時(shí)，外觀都是紙箱子，里面裝了什么就要看寄郵件的人實(shí)際郵了什么東西。

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(lái)對(duì)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(lái)進(jìn)行映射，得到的結(jié)果很可能是一大堆亂碼，因?yàn)樵?/span>GB2312中有可能沒(méi)有（也有可能有）字符與00D6等字符對(duì)應(yīng)（如果對(duì)應(yīng)不上，將得到0x3f，也就是問(wèn)號(hào)，如果對(duì)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(kāi)始）。

各位看到了，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(jiǎn)體中文”方式查看，就能看到清楚的“中文”兩個(gè)字了。（當(dāng)然了，如果你一定要用“西歐字符”來(lái)看，那也沒(méi)辦法，你將得不到任何有何時(shí)何地的東西）為什么呢？因?yàn)?#8220;00D6 00D0 00CE 00C4”本來(lái)就是由ISO8859-1轉(zhuǎn)化過(guò)去的。

給出如下結(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。

當(dāng)輸出對(duì)象是瀏覽器時(shí)

以流行的瀏覽器IE為例。IE支持多種內(nèi)碼。假如IE接收到了一個(gè)字節(jié)流“D6 D0 CE C4”，你可以嘗試用各種內(nèi)碼去查看。你會(huì)發(fā)現(xiàn)用“簡(jiǎn)體中文”時(shí)能得到正確的結(jié)果。因?yàn)?#8220;D6 D0 CE C4”本來(lái)就是簡(jiǎn)體中文中“中文”兩個(gè)字的編碼。

OK，完整地看一遍。

 

JSP：源文件為GB2312格式的文本文件，且JSP源文件中有“中文”這兩個(gè)漢字

 

如果指定了<Jsp-charset>為GB2312，轉(zhuǎn)化過(guò)程如下表。

表4 Jsp-charset = GB2312時(shí)的變化過(guò)程

序號(hào)	步驟說(shuō)明	結(jié)果
1	編寫JSP源文件，且存為GB2312格式	D6 D0 CE C4 （D6D0=中 CEC4=文）
2	jspc把JSP源文件轉(zhuǎn)化為臨時(shí)JAVA文件，并把字符串按照GB2312映射到Unicode，并用UTF格式寫入JAVA文件中	E4 B8 AD E6 96 87
3	把臨時(shí)JAVA文件編譯成CLASS文件	E4 B8 AD E6 96 87
4	運(yùn)行時(shí)，先從CLASS文件中用readUTF讀出字符串，在內(nèi)存中的是Unicode編碼	4E 2D 65 87（在Unicode中4E2D=中 6587=文）
5	根據(jù)Jsp-charset=GB2312把Unicode轉(zhuǎn)化為字節(jié)流	D6 D0 CE C4
6	把字節(jié)流輸出到IE中，并設(shè)置IE的編碼為GB2312（作者按：這個(gè)信息隱藏在HTTP頭中）	D6 D0 CE C4
7	IE用“簡(jiǎn)體中文”查看結(jié)果	“中文”（正確顯示）

 

如果指定了<Jsp-charset>為ISO8859-1，轉(zhuǎn)化過(guò)程如下表。

表5 Jsp-charset = ISO8859-1時(shí)的變化過(guò)程

序號(hào)	步驟說(shuō)明	結(jié)果
1	編寫JSP源文件，且存為GB2312格式	D6 D0 CE C4 （D6D0=中 CEC4=文）
2	jspc把JSP源文件轉(zhuǎn)化為臨時(shí)JAVA文件，并把字符串按照ISO8859-1映射到Unicode，并用UTF格式寫入JAVA文件中	C3 96 C3 90 C3 8E C3 84
3	把臨時(shí)JAVA文件編譯成CLASS文件	C3 96 C3 90 C3 8E C3 84
4	運(yùn)行時(shí)，先從CLASS文件中用readUTF讀出字符串，在內(nèi)存中的是Unicode編碼	00 D6 00 D0 00 CE 00 C4 （啥都不是！！！）
5	根據(jù)Jsp-charset=ISO8859-1把Unicode轉(zhuǎn)化為字節(jié)流	D6 D0 CE C4
6	把字節(jié)流輸出到IE中，并設(shè)置IE的編碼為ISO8859-1（作者按：這個(gè)信息隱藏在HTTP頭中）	D6 D0 CE C4
7	IE用“西歐字符”查看結(jié)果	亂碼，其實(shí)是四個(gè)ASCII字符，但由于大于128，所以顯示出來(lái)的怪模怪樣
8	改變IE的頁(yè)面編碼為“簡(jiǎn)體中文”	“中文”（正確顯示）

 

奇怪了！為什么把<Jsp-charset>設(shè)成GB2312和ISO8859-1是一個(gè)樣的，都能正確顯示？因?yàn)楸?/span>4表5中的第2步和第5步互逆，是相互“抵消”的。只不過(guò)當(dāng)指定為ISO8859-1時(shí)，要增加第8步操作，殊為不便。

再看看不指定<Jsp-charset> 時(shí)的情況。

表6 未指定Jsp-charset 時(shí)的變化過(guò)程

序號(hào)	步驟說(shuō)明	結(jié)果
1	編寫JSP源文件，且存為GB2312格式	D6 D0 CE C4 （D6D0=中 CEC4=文）
2	jspc把JSP源文件轉(zhuǎn)化為臨時(shí)JAVA文件，并把字符串按照ISO8859-1映射到Unicode，并用UTF格式寫入JAVA文件中	C3 96 C3 90 C3 8E C3 84
3	把臨時(shí)JAVA文件編譯成CLASS文件	C3 96 C3 90 C3 8E C3 84
4	運(yùn)行時(shí)，先從CLASS文件中用readUTF讀出字符串，在內(nèi)存中的是Unicode編碼	00 D6 00 D0 00 CE 00 C4 （啥都不是！！！）
5	根據(jù)Jsp-charset=ISO8859-1把Unicode轉(zhuǎn)化為字節(jié)流	D6 D0 CE C4
6	把字節(jié)流輸出到IE中	D6 D0 CE C4
7	IE用發(fā)出請(qǐng)求時(shí)的頁(yè)面的編碼查看結(jié)果	視情況而定。如果是簡(jiǎn)體中文，則能正確顯示，否則，需執(zhí)行表5中的第8步

 

Servlet：源文件為JAVA文件，格式是GB2312，源文件中含有“中文”這兩個(gè)漢字

 

如果<Compile-charset>＝GB2312，<Servlet-charset>=GB2312

表7 Compile-charset=Servlet-charset=GB2312 時(shí)的變化過(guò)程

序號(hào)	步驟說(shuō)明	結(jié)果
1	編寫Servlet源文件，且存為GB2312格式	D6 D0 CE C4 （D6D0=中 CEC4=文）
2	用javac –encoding GB2312把JAVA源文件編譯成CLASS文件	E4 B8 AD E6 96 87 （UTF）
3	運(yùn)行時(shí)，先從CLASS文件中用readUTF讀出字符串，在內(nèi)存中的是Unicode編碼	4E 2D 65 87 (Unicode)
4	根據(jù)Servlet-charset=GB2312把Unicode轉(zhuǎn)化為字節(jié)流	D6 D0 CE C4 (GB2312)
5	把字節(jié)流輸出到IE中并設(shè)置IE的編碼屬性為Servlet-charset=GB2312	D6 D0 CE C4 (GB2312)
6	IE用“簡(jiǎn)體中文”查看結(jié)果	“中文”（正確顯示）

 

如果<Compile-charset>＝ISO8859-1，<Servlet-charset>=ISO8859-1

表8 Compile-charset=Servlet-charset=ISO8859-1時(shí)的變化過(guò)程

序號(hào)	步驟說(shuō)明	結(jié)果
1	編寫Servlet源文件，且存為GB2312格式	D6 D0 CE C4 （D6D0=中 CEC4=文）
2	用javac –encoding ISO8859-1把JAVA源文件編譯成CLASS文件	C3 96 C3 90 C3 8E C3 84 （UTF）
3	運(yùn)行時(shí)，先從CLASS文件中用readUTF讀出字符串，在內(nèi)存中的是Unicode編碼	00 D6 00 D0 00 CE 00 C4 (啥都不是!!!)
4	根據(jù)Servlet-charset=ISO8859-1把Unicode轉(zhuǎn)化為字節(jié)流	D6 D0 CE C4
5	把字節(jié)流輸出到IE中并設(shè)置IE的編碼屬性為Servlet-charset=ISO8859-1	D6 D0 CE C4 (GB2312)
6	IE用“西歐字符”查看結(jié)果	亂碼（原因同表5）
7	改變IE的頁(yè)面編碼為“簡(jiǎn)體中文”	“中文”（正確顯示）

 

如果不指定Compile-charset或Servlet-charset，其默認(rèn)值均為ISO8859-1。

 

當(dāng)Compile-charset=Servlet-charset時(shí)，第2步和第4步能互逆，“抵消”，顯示結(jié)果均能正確。讀者可試著寫一下Compile-charset<>Servlet-charset時(shí)的情況，肯定是不正確的。

 

當(dāng)輸出對(duì)象是數(shù)據(jù)庫(kù)時(shí)

輸出到數(shù)據(jù)庫(kù)時(shí)，原理與輸出到瀏覽器也是一樣的。本節(jié)只是Servlet為例，JSP的情況請(qǐng)讀者自行推導(dǎo)。

假設(shè)有一個(gè)Servlet，它能接收來(lái)自客戶端（IE，簡(jiǎn)體中文）的漢字字符串，然后把它寫入到內(nèi)碼為ISO8859-1的數(shù)據(jù)庫(kù)中，然后再?gòu)臄?shù)據(jù)庫(kù)中取出這個(gè)字符串，顯示到客戶端。

表9 輸出對(duì)象是數(shù)據(jù)庫(kù)時(shí)的變化過(guò)程（1）

序號(hào)	步驟說(shuō)明	結(jié)果	域
1	在IE中輸入“中文”	D6 D0 CE C4	IE
2	IE把字符串轉(zhuǎn)變成UTF，并送入傳輸流中	E4 B8 AD E6 96 87
3	Servlet接收到輸入流，用readUTF讀取	4E 2D 65 87(unicode)	Servlet
4	編程者在Servlet中必須把字符串根據(jù)GB2312還原為字節(jié)流	D6 D0 CE C4
5	編程者根據(jù)數(shù)據(jù)庫(kù)內(nèi)碼ISO8859-1生成新的字符串	00 D6 00 D0 00 CE 00 C4
6	把新生成的字符串提交給JDBC	00 D6 00 D0 00 CE 00 C4
7	JDBC檢測(cè)到數(shù)據(jù)庫(kù)內(nèi)碼為ISO8859-1	00 D6 00 D0 00 CE 00 C4	JDBC
8	JDBC把接收到的字符串按照ISO8859-1生成字節(jié)流	D6 D0 CE C4
9	JDBC把字節(jié)流寫入數(shù)據(jù)庫(kù)中	D6 D0 CE C4
10	完成數(shù)據(jù)存儲(chǔ)工作	D6 D0 CE C4	數(shù)據(jù)庫(kù)
以下是從數(shù)據(jù)庫(kù)中取出數(shù)的過(guò)程
11	JDBC從數(shù)據(jù)庫(kù)中取出字節(jié)流	D6 D0 CE C4	JDBC
12	JDBC按照數(shù)據(jù)庫(kù)的字符集ISO8859-1生成字符串，并提交給Servlet	00 D6 00 D0 00 CE 00 C4 (Unicode)
13	Servlet獲得字符串	00 D6 00 D0 00 CE 00 C4 (Unicode)	Servlet
15	編程者必須根據(jù)數(shù)據(jù)庫(kù)的內(nèi)碼ISO8859-1還原成原始字節(jié)流	D6 D0 CE C4
16	編程者必須根據(jù)客戶端字符集GB2312生成新的字符串	4E 2D 65 87 （Unicode）
Servlet準(zhǔn)備把字符串輸出到客戶端
17	Servlet根據(jù)<Servlet-charset>生成字節(jié)流	D6 D0 CE C4	Servlet
18	Servlet把字節(jié)流輸出到IE中，如果已指定<Servlet-charset>，還會(huì)設(shè)置IE的編碼為<Servlet-charset>	D6 D0 CE C4
19	IE根據(jù)指定的編碼或默認(rèn)編碼查看結(jié)果	“中文”（正確顯示）	IE

解釋一下，表中第4第5步和第15第16步是用紅色標(biāo)記的，表示要由編碼者來(lái)作轉(zhuǎn)換。第4、5兩步其實(shí)就是一句話：“new String(source.getBytes("GB2312"), "ISO8859-1")”。第15、16兩步也是一句話：“new String(source.getBytes("ISO8859-1"), "GB2312")”。親愛(ài)的讀者，你在這樣編寫代碼時(shí)是否意識(shí)到了其中的每一個(gè)細(xì)節(jié)呢？

 

至于客戶端內(nèi)碼和數(shù)據(jù)庫(kù)內(nèi)碼為其它值時(shí)的流程，和輸出對(duì)象是系統(tǒng)控制臺(tái)時(shí)的流程，請(qǐng)讀者自己想吧。明白了上述流程的原理，相信你可以輕松地寫出來(lái)。

 

行文至此，已可告一段落了。終點(diǎn)又回到了起點(diǎn)，對(duì)于編程者而言，幾乎是什么影響都沒(méi)有。

因?yàn)槲覀冊(cè)缇捅桓嬷@么做了。

 

1、  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(duì)于其中的字符串常量，不需做任何內(nèi)碼轉(zhuǎn)換；對(duì)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(jiǎn)單地說(shuō)，就是“字符串變量是基于<Jsp-charset>字符集的”；

2、  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(duì)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(shuō)來(lái)都是GB2312或GBK；對(duì)于字符串變量，與JSP一樣，必須“是基于<Servlet-charset>字符集的”。

 

其實(shí)我什么都沒(méi)做。