問題研究

--字符集編碼

1. 概述

本文主要包括以下幾個方面：編碼基本知識，java，系統(tǒng)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(jīng)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(xiàn)了很多標準編碼，重要的有如下幾個。

2.1. iso8859-1

屬于單字節(jié)編碼，最多能表示的字符范圍是0-255，應(yīng)用于英文系列。比如，字母‘a(chǎn)‘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(jié)編碼，和計算機最基礎(chǔ)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(xié)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(yīng)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(jié)來表示："d6 d0 ce c4"（事實上，在進行存儲的時候，也是以字節(jié)為單位處理的）。而如果是UTF編碼，則是6個字節(jié)"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(chǔ)。

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(jié)編碼，而英文字母和iso8859-1一致（兼容iso8859-1編碼）。其中g(shù)bk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(tǒng)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(jié)（也有四字節(jié)的）編碼，包括英文字母在內(nèi)。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(jié)，比如字母‘a(chǎn)‘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(nèi)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(jié)來表示。所以unicode不便于傳輸和存儲。因此而產(chǎn)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(jié)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(jié)表示，而漢字使用三個字節(jié)。

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(jīng)知道是漢字，則使用GB2312/GBK無疑是最節(jié)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(jié)，但即使對于漢字網(wǎng)頁，utf編碼也會比unicode編碼節(jié)省，因為網(wǎng)頁中包含了很多的英文字符。

3. java對字符的處理

在java應(yīng)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(shè)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(shù)，其作用是將字符串所表示的字符按照charset編碼，并以字節(jié)方式表示。注意字符串在java內(nèi)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(jié)"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(shù)，和上一個函數(shù)的作用相反，將字節(jié)數(shù)組按照charset編碼進行組合識別，最后轉(zhuǎn)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(jié)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(shù)用來設(shè)置http請求或者相應(yīng)的編碼。

對于request，是指提交內(nèi)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(zhí)行setCharacterEncoding()之前，不能執(zhí)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(yīng)該是在執(zhí)行第一個getParameter()的時候，java將會按照編碼分析所有的提交內(nèi)容，而后續(xù)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(nèi)容在URL中，一開始就已經(jīng)按照編碼分析所有的提交內(nèi)容，setCharacterEncoding()自然就無效。

對于response，則是指定輸出內(nèi)容的編碼，同時，該設(shè)置會傳遞給瀏覽器，告訴瀏覽器輸出內(nèi)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(guān)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(nèi)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(guān)，也和用戶的操作系統(tǒng)有關(guān)，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(nèi)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?yún)?shù)，則其編碼往往是操作系統(tǒng)本身的編碼，因為這時和頁面無關(guān)。上述仍舊以gbk編碼為例。

l Web server接收到的是字節(jié)流，默認時（getParameter）會以iso8859-1編碼處理之，結(jié)果是不正確的，所以需要進行處理。但如果預(yù)先設(shè)置了編碼（通過request. setCharacterEncoding ()），則能夠直接獲取到正確的結(jié)果。

l 在頁面中指定編碼是個好習(xí)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(shè)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(dāng)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(jié)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(tǒng)默認編碼。一般class文件，是以系統(tǒng)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(xiàn)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(zhuǎn)換成統(tǒng)一的unicode編碼處理，最后保存的時候再轉(zhuǎn)換為utf編碼。

l 當(dāng)系統(tǒng)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(wǎng)頁的編碼。如果未指定，則會使用iso8859-1編碼。對于中文，應(yīng)該為browser指定輸出字符串的編碼。

l browser顯示網(wǎng)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(wǎng)頁中meta項指定中的contentType。

3.5. 幾處設(shè)置

對于web應(yīng)用程序，和編碼有關(guān)的設(shè)置或者函數(shù)如下。

3.5.1. jsp編譯

指定文件的存儲編碼，很明顯，該設(shè)置應(yīng)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(shè)置也應(yīng)該置于文件的開頭。例如：<%@ page contentType="text/html; charset= GBK" %>。該設(shè)置和response.setCharacterEncoding("GBK")等效。

3.5.3. meta設(shè)置

指定網(wǎng)頁使用的編碼，該設(shè)置對靜態(tài)網(wǎng)頁尤其有作用。因為靜態(tài)網(wǎng)頁無法采用jsp的設(shè)置，而且也無法執(zhí)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(shè)置兩種編碼指定方式，則jsp指定的優(yōu)先。因為jsp指定的直接體現(xiàn)在response中。

需要注意的是，apache有一個設(shè)置可以給無編碼指定的網(wǎng)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(tài)網(wǎng)頁中的meta指定。所以有人建議關(guān)閉該設(shè)置。

3.5.4. form設(shè)置

當(dāng)瀏覽器提交表單的時候，可以指定相應(yīng)的編碼。例如：<form accept-charset= "gb2312">。一般不必不使用該設(shè)置，瀏覽器會直接使用網(wǎng)頁的編碼。

4. 系統(tǒng)軟件

下面討論幾個相關(guān)的系統(tǒng)軟件。

4.1. mysql數(shù)據(jù)庫

很明顯，要支持多語言，應(yīng)該將數(shù)據(jù)庫的編碼設(shè)置成utf或者unicode，而utf更適合與存儲。但是，如果中文數(shù)據(jù)中包含的英文字母很少，其實unicode更為適合。

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

4.2. apache

appache和編碼有關(guān)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(tài)頁面的編碼設(shè)置為UTF-8，最好關(guān)閉該功能。

另外，apache還有單獨的模塊來處理網(wǎng)頁響應(yīng)頭，其中也可能對編碼進行設(shè)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(huán)境變量。兩個重要的環(huán)境變量是LC_ALL和LANG，默認編碼會影響到j(luò)ava URLEncode的行為，下面有描述。

建議都設(shè)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(yīng)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(tǒng)一設(shè)置所有請求，而不能針對具體頁面進行設(shè)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(shù)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(fā)送URL"，當(dāng)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(shù)，則總是不進行編碼，相當(dāng)于UTF-8選項無效。比如"中文.html?a=中文"，當(dāng)UTF-8選項有效時，將發(fā)送鏈接"%e4%b8%ad%e6%96%87.html?a=\x4e\x2d\x65\x87"；而UTF-8選項無效時，將發(fā)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(jié)，而前者卻有18個字節(jié)，這主要時URL編碼的原因。

當(dāng)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(jīng)描述，可以使用URLEncoding來設(shè)置成其它編碼）識別。上述例子的結(jié)果分別是"\ue4\ub8\uad\ue6\u96\u87.html?a=\u4e\u2d\u65\u87"和"\u4e\u2d\u65\u87.html?a=\u4e\u2d\u65\u87"，注意前者前面的"中文"兩個字恢復(fù)成了6個字符。這里用"\u"，表示是unicode。

所以，由于客戶端設(shè)置的不同，相同的鏈接，在服務(wù)器上得到了不同結(jié)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(wǎng)站會建議用戶嘗試關(guān)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(guān)文檔介紹說可以使用[NE]參數(shù)來關(guān)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(dāng)參數(shù)中含有"?& "等符號的時候，該功能將導(dǎo)致系統(tǒng)得不到正常結(jié)果。

rewrite本身似乎完全是采用字節(jié)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(shù)，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(jīng)不贊成不指定編碼來使用該方法（deprecated）。應(yīng)該在使用的時候增加編碼指定。

當(dāng)不指定編碼的時候，該方法使用系統(tǒng)默認編碼，這會導(dǎo)致軟件運行結(jié)果得不確定。比如對于"中文"，當(dāng)系統(tǒng)默認編碼為"gb2312"時，結(jié)果是"%4e%2d%65%87"，而默認編碼為"UTF-8"，結(jié)果卻是"%e4%b8%ad%e6%96%87"，后續(xù)程序?qū)㈦y以處理。另外，這兒說的系統(tǒng)默認編碼是由運行tomcat時的環(huán)境變量LC_ALL和LANG等決定的，曾經(jīng)出現(xiàn)過tomcat重啟后就出現(xiàn)亂碼的問題，最后才郁悶的發(fā)現(xiàn)是因為修改修改了這兩個環(huán)境變量。

建議統(tǒng)一指定為"UTF-8"編碼，可能需要修改相應(yīng)的程序。

5.4. 一個解決方案

上面說起過，因為瀏覽器設(shè)置的不同，對于同一個鏈接，web server收到的是不同內(nèi)容，而軟件系統(tǒng)有無法知道這中間的區(qū)別，所以這一協(xié)議目前還存在缺陷。

針對具體問題，不應(yīng)該僥幸認為所有客戶的IE設(shè)置都是UTF-8有效的，也不應(yīng)該粗暴的建議用戶修改IE設(shè)置，要知道，用戶不可能去記住每一個web server的設(shè)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(jù)內(nèi)容來分析編碼是否UTF-8。

比較幸運的是UTF-8編碼相當(dāng)有規(guī)律，所以可以通過分析傳輸過來的鏈接內(nèi)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(yīng)規(guī)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;