Web開發中字符編碼的處理

一、概要
　　在JAVA應用程序特別是基於WEB的程序中，經常遇到字符的編碼問題。爲了防止出現亂碼，首先需要了解JAVA是如何處理字符的，這樣就可以有目的地在輸入/輸出環節中增加必要的轉碼。其次，由於各種服務器有不同的處理方式，還需要多做試驗，確保使用中不出現亂碼。
二、基本概念
2．1 JAVA中字符的表達
　　JAVA中有char、byte、String這幾個概念。char 指的是一個UNICODE字符，爲16位的整數。byte 是字節，字符串在網絡傳輸或存儲前需要轉換爲byte數組。在從網絡接收或從存儲設備讀取後需要將byte數組轉換成String。String是字符串，可以看成是由char組成的數組。String 和 char 爲內存形式，byte是網絡傳輸或存儲的序列化形式。
舉例：
英
String ying = “英”;
char ying = ying.charAt(0);
String yingHex = Integer.toHexString(ying);
82 F1
byte yingGBBytes = ying.getBytes(“GBK”);
GB編碼的字節數值
D3 A2


2．2 編碼方式的簡介
　　String序列化成byte數組或反序列化時需要選擇正確的編碼方式。如果編碼方式不正確，就會得到一些0x3F的值。常用的字符編碼方式有ISO8859_1、GB2312、GBK、UTF-8/UTF-16/UTF-32。
   ISO8859_1用來編碼拉丁文，它由單字節（0－255）組成。
　　GB2312、GBK用來編碼簡體中文，它有單字節和雙字節混合組成。最高位爲1的字節和下一個字節構成一個漢字，最高位爲0的字節是ASCII碼。
　　UTF-8/UTF-16/UTF-32是國際標準UNICODE的編碼方式。 用得最多的是UTF-8，主要是因爲它在對拉丁文編碼時節約空間。

UNICODE值 UTF-8編碼
U-00000000 - U-0000007F: 0xxxxxxx
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

三、J2SE中相關的函數
String str =”英”;
//取得GB2312編碼的字節
byte[] bytesGB2312 = str.getBytes(“GB2312”);

//取得平臺缺省編碼的字節(solaris爲ISO8859_1,windows爲GB2312)
byte[] bytesDefault = str.getBytes();

//用指定的編碼將字節轉換成字符串
String newStrGB = new String(bytesGB2312, “GB2312”);

//用平臺缺省的編碼將字節轉換成字符串(solaris爲ISO8859_1,windows爲GB2312)
String newStrDefault = new String(bytesDefault);

//用指定的編碼從字節流裏面讀取字符
InputStream in = xxx;
InputStreamReader reader = InputStreamReader( in, “GB2312”);
char aChar = reader.read();
四、JSP、數據庫的編碼
4．1 JSP中的編碼
(1) 靜態聲明:
CHARSET有兩個作用：
JSP文件的編碼方式：在讀取JSP文件、生成JAVA類時，源JSP文件中漢字的編碼
JSP輸出流的編碼方式：在執行JSP時，往response流裏面寫入數據的編碼方式
(2) 動態改變:在往response流裏面寫數據前可以調用response.setContentType()，設定正確的編碼類型。
(3) 在TOMCAT中，由Request.getParameter() 得到的參數，編碼方式都是ISO8859_1。所以如果在瀏覽器輸入框內輸入一個漢字“英”，在服務器端就得到一個ISO8859_1編碼的（0x00,0xD3,0x00,0xA2）。所以通常在接收參數時轉碼：
String wrongStr = response.getParameter(“name”);
String correctStr = new String(wrongStr.getBytes(“ISO8859_1”),”GB2312”);
在最新的SERVLET規範裏面，也可以在獲取參數之前執行如下代碼：
request.setCharacterEncoding(“GB2312”);

4．2 數據庫的編碼
(1) 數據庫使用UTF-16
如果String中是UNICODE字符，寫入讀出時不需要轉碼
(2) 數據庫使用ISO8859_1
如果String中是UNICODE字符，寫入讀出時需要轉碼
寫入：String newStr = new String(oldStr.getByte(“GB2312”), “ISO8859_1”);
讀出：String newStr = new String(oldStr.getByte(“ISO8859_1”),”GB2312”);
五、源文件的編碼
5．1 資源文件
資源文件的編碼方式和編輯平臺相關。在WINDOWS平臺下編寫的資源文件，以GB2312方式編碼。在編譯時需要轉碼，以確保在各個平臺上的正確性：
native2ascii ?encoding GB2312 source.properties
這樣從資源文件中讀出的就是正確的UNICODE字符串。
5．2 源文件
源文件的編碼方式和編輯平臺相關。在WINDOWS平臺下開發的源文件，以GB2312方式編碼。在編譯的時候，需要指定源文件的編碼方式：
javac ?encoding GB2312
JAVA編譯後生成的字節文件的編碼爲UTF-8。