QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 2668|回复: 1
打印 上一主题 下一主题

深入剖析JSP和Servlet对中文的处理

[复制链接]
字体大小: 正常 放大
韩冰        

823

主题

3

听众

4048

积分

我的地盘我做主

该用户从未签到

发帖功臣 元老勋章

跳转到指定楼层
1#
发表于 2004-11-21 12:02 |只看该作者 |倒序浏览
|招呼Ta 关注Ta
世界上的各地区都有本地的语言。地区差异直接导致了语言环境的差异。在开发一个国际化程序的过程中,处理语言问题就显得很重要了。% b, b, x9 G7 e6 M. D5 v; p8 J& Q8 h
( r1 N6 n4 g+ B% B$ u; ^
  这是一个世界范围内都存在的问题,所以,Java提供了世界性的解决方法。本文描述的方法是用于处理中文的,但是,推而广之,对于处理世界上其它国家和地区的语言同样适用。, {! |; V- }. z8 A/ z) t

3 s( B/ O' q( o  汉字是双字节的。所谓双字节是指一个双字要占用两个BYTE的位置(即16位),分别称为高位和低位。中国规定的汉字编码为GB2312,这是强制性的,目前几乎所有的能处理中文的应用程序都支持GB2312。GB2312包括了一二级汉字和9区符号,高位从0xa1到0xfe,低位也是从0xa1到0xfe,其中,汉字的编码范围为0xb0a1到0xf7fe。. a4 d; e3 g6 |. B+ M2 ^. P! E
# T: }/ @. U' z
  另外有一种编码,叫做GBK,但这是一份规范,不是强制的。GBK提供了20902个汉字,它兼容GB2312,编码范围为0x8140到0xfefe。GBK中的所有字符都可以一一映射到Unicode 2.0。
/ r0 q+ T6 I) z, `# t: P5 k, @: C, y7 ^2 i2 v' O8 F
  在不久的将来,中国会颁布另一种标准:GB18030-2000(GBK2K)。它收录了藏、蒙等少数民族的字型,从根本上解决了字位不足的问题。注意:它不再是定长的。其二字节部份与GBK兼容,四字节部分是扩充的字符、字形。它的首字节和第三字节从0x81到0xfe,二字节和第四字节从0x30到0x39。; \8 Y+ k4 h. @- h4 c! O
/ ?- e! g6 s4 F/ F% e( f, n. T! v
  本文不打算介绍Unicode,有兴趣的可以浏览“http://www.unicode.org/”查看更多的信息。Unicode有一个特性:它包括了世界上所有的字符字形。所以,各个地区的语言都可以建立与Unicode的映射关系,而Java正是利用了这一点以达到异种语言之间的转换。3 U+ y! H" X" U8 s* b$ X0 \

- V2 H( y% S% u- ?+ H  在JDK中,与中文相关的编码有:! P6 a' j" s4 F  w

# R9 L8 M7 }0 V" ?  T$ i9 ^! o  表1 JDK中与中文相关的编码列表
7 v3 o4 c1 a) Z: B, K( j
/ K9 S( y' Z4 F1 H编码名称说明ASCII7位,与ascii7相同ISO8859-18-位,与 8859_1,ISO-8859-1,ISO_8859-1,latin1...等相同GB2312-8016位,与gb2312,gb2312-1980,EUC_CN,euccn,1381,Cp1381, 1383, Cp1383, ISO2022CN,ISO2022CN_GB...等相同GBK与MS936相同,注意:区分大小写UTF8与UTF-8相同GB18030与cp1392、1392相同,目前支持的JDK很少0 ?* z& U. s: L' Q6 w
  在实际编程时,接触得比较多的是GB2312(GBK)和ISO8859-1。) D" R+ t, q  W+ L

6 y7 M, a6 u7 p5 I0 M  为什么会有“?”号
- T! a+ i# |7 h$ f
9 N9 n3 \  [. j9 s5 S% Z  上文说过,异种语言之间的转换是通过Unicode来完成的。假设有两种不同的语言A和B,转换的步骤为:先把A转化为Unicode,再把Unicode转化为B。
- D# a1 e2 `' N3 {
6 p4 O8 {8 p1 r: ^) F  举例说明。有GB2312中有一个汉字“李”,其编码为“C0EE”,欲转化为ISO8859-1编码。步骤为:先把“李”字转化为Unicode,得到“674E”,再把“674E”转化为ISO8859-1字符。当然,这个映射不会成功,因为ISO8859-1中根本就没有与“674E”对应的字符。! B! H& P; E; r/ u, i+ G2 \

3 G: y  m" ?  }8 ]$ ^5 j  g% P- a+ z  当映射不成功时,问题就发生了!当从某语言向Unicode转化时,如果在某语言中没有该字符,得到的将是Unicode的代码“\uffffd”(“\u”表示是Unicode编码,)。而从Unicode向某语言转化时,如果某语言没有对应的字符,则得到的是“0x3f”(“?”)。这就是“?”的由来。
6 |: a' Q* r- ~& Z( o+ F, o% x" o0 ^7 A7 Y
  例如:把字符流buf =“0x80 0x40 0xb0 0xa1”进行new String(buf, "gb2312")操作,得到的结果是“\ufffd\u554a”,再println出来,得到的结果将是“?啊”,因为“0x80 0x40”是GBK中的字符,在GB2312中没有。9 D  _6 i. K0 [& [5 B, F- O- W
* R' H: L- ~- w, J7 s$ d8 o. U
  再如,把字符串String="\u00d6\u00ec\u00e9\u0046\u00bb\u00f9"进行new String (buf.getBytes("GBK"))操作,得到的结果是“3fa8aca8a6463fa8b4”,其中,“\u00d6”在“GBK”中没有对应的字符,得到“3f”,“\u00ec”对应着“a8ac”,“\u00e9”对应着“a8a6”,“0046”对应着“46”(因为这是ASCII字符),“\u00bb”没找到,得到“3f”,最后,“\u00f9”对应着“a8b4”。把这个字符串println一下,得到的结果是“?ìéF?ù”。看到没?这里并不全是问号,因为GBK与Unicode映射的内容中除了汉字外还有字符,本例就是最好的明证。" z9 p0 X! j5 ?* i

, a  i  X/ J) i) p! `' d6 Q  所以,在汉字转码时,如果发生错乱,得到的不一定都是问号噢!不过,错了终究是错了,50步和100步并没有质的差别。
- `1 d1 y# s' m' M) g
8 |" s8 m, m3 S1 `1 @  或者会问:如果源字符集中有,而Unicode中没有,结果会如何?回答是不知道。因为我手头没有能做这个测试的源字符集。但有一点是肯定的,那就是源字符集不够规范。在Java中,如果发生这种情况,是会抛出异常的。- T* C2 Y) I9 L+ K

4 @+ h$ P9 f0 S$ r! W& y- ]  j什么是UTF2 {: ~4 k7 d/ G7 ]6 l) Z. l
8 d  W" I# y* M. C3 `) S3 k) L+ H
  UTF,是Unicode Text Format的缩写,意为Unicode文本格式。对于UTF,是这样定义的:/ k! y7 G6 K% L% @
9 l, P1 L4 `' d$ I
  (1)如果Unicode的16位字符的头9位是0,则用一个字节表示,这个字节的首位是“0”,剩下的7位与原字符中的后7位相同,如“\u0034”(0000 0000 0011 0100),用“34” (0011 0100)表示;(与源Unicode字符是相同的);
' U  Z/ P8 k+ o! p, P/ N8 A5 |$ \
5 o( [0 f2 b9 ^$ p( J/ }/ e  (2)如果Unicode的16位字符的头5位是0,则用2个字节表示,首字节是“110”开头,后面的5位与源字符中除去头5个零后的最高5位相同;第二个字节以“10”开头,后面的6位与源字符中的低6位相同。如“\u025d”(0000 0010 0101 1101),转化后为“c99d”(1100 1001 1001 1101);
, ^  w  ?3 o" ?4 N' c; k& G
0 L, C! m' R6 S9 y- l* ^$ J  (3)如果不符合上述两个规则,则用三个字节表示。第一个字节以“1110”开头,后四位为源字符的高四位;第二个字节以“10”开头,后六位为源字符中间的六位;第三个字节以“10”开头,后六位为源字符的低六位;如“\u9da7”(1001 1101 1010 0111),转化为“e9b6a7”(1110 1001 1011 0110 1010 0111);
& P7 E: y: N( I% q& S
7 U0 d& ]8 U6 ^$ Q$ P% q. F2 S' s9 R  可以这么描述JAVA程序中Unicode与UTF的关系,虽然不绝对:字符串在内存中运行时,表现为Unicode代码,而当要保存到文件或其它介质中去时,用的是UTF。这个转化过程是由writeUTF和readUTF来完成的。
5 _  ^% m$ |: @8 z+ Y; q  L* F  ^0 O2 i7 |, y+ ~! Y
  好了,基础性的论述差不多了,下面进入正题。
7 U2 Y, ?: Z1 Y, t' t5 x- J, L# u3 h' x
  先把这个问题想成是一个黑匣子。先看黑匣子的一级表示:
- u4 Y! z* y+ J* u% ^7 r  l( c0 d. I: n8 Y5 N) l4 }
input(charsetA)->process(Unicode)->output(charsetB)
; |9 Y6 r! _1 z/ `
) \/ z, d" G: O/ y; p  简单,这就是一个IPO模型,即输入、处理和输出。同样的内容要经过“从charsetA到unicode再到charsetB”的转化。6 M" e. Q- _; _0 r/ g/ u
: @' `) C( m. s$ f) `
  再看二级表示:: c- N, G4 j7 A% K3 ^7 b

, @' |' i) B' |" ZSourceFile(jsp,java)->class->output
, E$ f* O/ ~/ q0 b- n! C7 x6 L) ^( i3 w) q, Q' W1 R+ u; j
  在这个图中,可以看出,输入的是jsp和java源文件,在处理过程中,以Class文件为载体,然后输出。再细化到三级表示:
* u0 r$ {5 w0 f4 Y4 W' C9 g" |1 H7 P
: M8 w& M1 V! u$ T% ~jsp->temp file->class->browser,os console,db
  R1 A0 V3 Y3 S
" u+ f; z" ]5 C8 q2 t' l+ Gapp,servlet->class->browser,os console,db' I" h8 ~8 @+ ~8 F
( q- N" L# D& P( ~6 }( j
  这个图就更明白了。Jsp文件先生成中间的Java文件,再生成Class。而Servlet和普通App则直接编译生成Class。然后,从Class再输出到浏览器、控制台或数据库等。, U) t! M4 z; z* |3 F# L) L. `3 @

* w7 h/ t: B$ f- G5 q! K  JSP:从源文件到Class的过程# P2 z, M, [% R
; o. u* g) v- y& _6 {4 ^9 j, q
  Jsp的源文件是以“.jsp”结尾的文本文件。在本节中,将阐述JSP文件的解释和编译过程,并跟踪其中的中文变化。
4 S& Y3 B) I3 p. N: p7 U( O7 g9 ]9 @6 f% l$ g
  1、JSP/Servlet引擎提供的JSP转换工具(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>,则取JVM中的默认设置file.encoding,一般情况下,这个值是ISO8859-1;
$ f7 }, A1 V: P1 g9 u2 Z1 l6 k2 N7 E- Z  \$ l8 w
  2、jspc用相当于“javac –encoding <Jsp-charset>”的命令解释JSP文件中出现的所有字符,包括中文字符和ASCII字符,然后把这些字符转换成Unicode字符,再转化成UTF格式,存为JAVA文件。ASCII码字符转化为Unicode字符时只是简单地在前面加“00”,如“A”,转化为“\u0041”(不需要理由,Unicode的码表就是这么编的)。然后,经过到UTF的转换,又变回“41”了!这也就是可以使用普通文本编辑器查看由JSP生成的JAVA文件的原因;5 h  u: [  p7 @) ]  v* \

8 N; e* Z$ w3 G  3、引擎用相当于“javac –encoding UNICODE”的命令,把JAVA文件编译成CLASS文件;1 N; f5 y4 p9 ?1 w4 `

/ S0 d4 O! b: w1 u/ C  先看一下这些过程中中文字符的转换情况。有如下源代码:2 ~( W1 Z8 O" L% S' V

: @* B& T# `& p) i: k/ r3 S<%@ page contentType="text/html; charset=gb2312"%>/ `! \3 w' i9 J" ?- Y0 l/ ?
<html><body>  J) K* v2 o6 j2 k
<%
/ c: C% Q+ ~5 J String a="中文";
- T8 h, h) E* _8 w% { out.println(a);" Q  h2 C3 n/ f8 j
%>
1 q, A9 R% Y7 L' k- a$ L! Q</body></html>4 b6 N% d8 h( i- _9 ^- C. v* J
  这段代码是在UltraEdit for Windows上编写的。保存后,“中文”两个字的16进制编码为“D6 D0 CE C4”(GB2312编码)。经查表,“中文”两字的Unicode编码为“\u4E2D\u6587”,用 UTF表示就是“E4 B8 AD E6 96 87”。打开引擎生成的由JSP文件转变而成的JAVA文件,发现其中的“中文”两个字确实被“E4 B8 AD E6 96 87”替代了,再查看由JAVA文件编译生成的CLASS文件,发现结果与JAVA文件中的完全一样。
( T* Y2 H7 z/ I; p# v' Q1 L: n# `; E% L5 s2 U3 B& v' E
  再看JSP中指定的CharSet为ISO-8859-1的情况。
% x+ _0 D; P7 Y: z
6 a- G. c: R2 K7 ^$ W
  V8 q* j. U. n/ q/ V<%@ page contentType="text/html; charset=ISO-8859-1"%>
# e6 C  j# @6 |<html><body>
6 y3 L7 {& S+ z& O# z, K9 c<%, B* V# H. w* Y, m
 String a="中文";
: ]& J( }5 j* g! Z$ @ out.println(a);( q- i0 ~$ x' E0 K1 p4 d  m
%>
! J4 X; @9 F' t# }8 s" Y</body></html>0 O% b) R0 x; B% B+ u1 A9 s
  同样,该文件是用UltraEdit编写的,“中文”这两个字也是存为GB2312编码“D6 D0 CE C4”。先模拟一下生成的JAVA文件和CLASS文件的过程:jspc用ISO-8859-1来解释“中文”,并把它映射到Unicode。由于ISO-8859-1是8位的,且是拉丁语系,其映射规则就是在每个字节前加“00”,所以,映射后的Unicode编码应为“\u00D6\u00D0\u00CE\u00C4”,转化成UTF后应该是“C3 96 C3 90 C3 8E C3 84”。好,打开文件看一下,JAVA文件和CLASS文件中,“中文”果然都表示为“C3 96 C3 90 C3 8E C3 84”。
# T( y+ e) T$ o3 l1 V1 V
7 O) B  j9 N* s4 L: S. p) ?  如果上述代码中不指定<Jsp-charset>,即把第一行写成“<%@ page contentType="text/html" %>”,JSPC会使用file.encoding的设置来解释JSP文件。在RedHat 6.2上,其处理结果与指定为ISO-8859-1是完全相同的。
5 `" [% }" T" b$ y4 ]4 d
. ?- e+ l  L' r0 o  到现在为止,已经解释了从JSP文件到CLASS文件的转变过程中中文字符的映射过程。一句话:从“JspCharSet到Unicode再到UTF”。下表总结了这个过程:
! T1 l% F" [! L9 l% ^5 W+ _* R+ R' k6 d" i% n: n
  表2 “中文”从JSP到CLASS的转化过程
2 S- S( F# E$ q' |4 ?- L. w6 |% G7 p4 \3 A6 @8 Y; O7 U
0 M" a4 |1 y/ `" x: n$ ^! h6 n! v
Jsp-CharSetJSP文件中JAVA文件中CLASS文件中GB2312D6 D0 CE C4(GB2312)从\u4E2D\u6587(Unicode)到E4 B8 AD E6 96 87 (UTF)E4 B8 AD E6 96 87 (UTF)ISO-8859-1D6 D0 CE C4/ ?7 B' |: S+ T  C1 g$ {9 Y/ ~8 V
(GB2312)从\u00D6\u00D0\u00CE\u00C4 (Unicode)到C3 96 C3 90 C3 8E C3 84 (UTF)C3 96 C3 90 C3 8E C3 84 (UTF)无(默认=file.encoding)同ISO-8859-1同ISO-8859-1同ISO-8859-1& _' ]) j/ m$ O* [! G$ f  z; G
  下节先讨论Servlet从JAVA文件到CLASS文件的转化过程,然后再解释从CLASS文件如何输出到客户端。之所以这样安排,是因为JSP和Servlet在输出时处理方法是一样的。
zan
转播转播0 分享淘帖0 分享分享0 收藏收藏0 支持支持0 反对反对0 微信微信
韩冰        

823

主题

3

听众

4048

积分

我的地盘我做主

该用户从未签到

发帖功臣 元老勋章

Servlet:从源文件到Class的过程. ?1 y+ q- b% M; V% n* u

' j% \$ s; R% A  Servlet源文件是以“.java”结尾的文本文件。本节将讨论Servlet的编译过程并跟踪其中的中文变化。4 E7 I! W+ q9 @: G1 h6 H

, M: K  ?+ D/ {  用“javac”编译Servlet源文件。javac可以带“-encoding <Compile-charset>”参数,意思是“用< Compile-charset >中指定的编码来解释Serlvet源文件”。0 L3 X( o5 k* V4 h
0 `, G$ h8 S9 y. g! ^
  源文件在编译时,用<Compile-charset>来解释所有字符,包括中文字符和ASCII字符。然后把字符常量转变成Unicode字符,最后,把Unicode转变成UTF。8 k/ M! k6 w: ]/ {0 E0 k

) S% P( {' G& T3 |; r+ ^1 O  在Servlet中,还有一个地方设置输出流的CharSet。通常在输出结果前,调用HttpServletResponse的setContentType方法来达到与在JSP中设置<Jsp-charset>一样的效果,称之为<Servlet-charset>。# N) O0 K6 s1 x; \( Y6 c
# ~3 c$ N9 k& [  }1 p# d3 u) W
  注意,文中一共提到了三个变量:<Jsp-charset>、<Compile-charset>和<Servlet-charset>。其中,JSP文件只与<Jsp-charset>有关,而<Compile-charset>和<Servlet-charset>只与Servlet有关。
# a% ^$ v/ P+ j
; v& t6 B1 D" Y2 l- {7 m$ m5 o  看下例:
$ h0 I4 p% u. U& ^7 n8 Z: h+ l/ z  R
import javax.servlet.*;
$ T6 Y" D$ N/ g6 F/ R& F, o, @9 o# v  ^2 e! n& b
import javax.servlet.http.*;8 e; o7 x' P0 p' Z

( ~4 _) g7 W* E! B& T9 E/ @class testServlet extends HttpServlet0 }9 p' J  I! ?: j. W
{
! Q+ g. ]! m/ I7 L3 |/ c+ t8 r public void doGet(HttpServletRequest req,HttpServletResponse resp), S) H- G  ?# e! w
 throws ServletException,java.io.IOException4 n* O* K9 K5 J/ }* I/ f
 {: ]  u; K$ z8 o! E8 C: a5 B
  resp.setContentType("text/html; charset=GB2312");
- a; U' @1 ?: A0 H  java.io.PrintWriter out=resp.getWriter();; U1 J$ c% I: N9 G7 ]4 ?
  out.println("<html>");4 E* H. h" ^7 }5 F# T4 P* u! m
  out.println("#中文#");
4 G: X! j$ Y* ^) M# k' }% |  out.println("</html>");  ]! R# Z0 c/ y5 J7 K" u) p
 }; ]/ g9 A( c* y
}, |/ ^! p5 L3 Y4 ?/ [$ p+ T" g
  该文件也是用UltraEdit for Windows编写的,其中的“中文”两个字保存为“D6 D0 CE C4”(GB2312编码)。& J1 Y: b8 G* p2 R* f

) ~* d" i3 H; x  z; c6 v% M  开始编译。下表是<Compile-charset>不同时,CLASS文件中“中文”两字的十六进制码。在编译过程中,<Servlet-charset>不起任何作用。<Servlet-charset>只对CLASS文件的输出产生影响,实际上是<Servlet-charset>和<Compile-charset>一起,达到与JSP文件中的<Jsp-charset>相同的效果,因为<Jsp-charset>对编译和CLASS文件的输出都会产生影响。% J$ B% Z$ k7 Y( y, _
, D2 r0 T) ?7 j% c2 t  V2 n
  表3 “中文”从Servlet源文件到Class的转变过程( j( E. C# s* F& l' ^3 u

% j( j+ L1 F: q* ?$ \4 ?* uCompile-charsetServlet源文件中Class文件中等效的Unicode码GB2312D6 D0 CE C4 , P7 Y4 {! G( u
(GB2312)E4 B8 AD E6 96 87 (UTF)\u4E2D\u6587 (在Unicode中=“中文”)ISO-8859-1D6 D0 CE C4 2 P  v# G6 Q, i, A  `
(GB2312)C3 96 C3 90 C3 8E C3 84 (UTF)\u00D6 \u00D0 \u00CE \u00C4 (在D6 D0 CE C4前面各加了一个00)无(默认)D6 D0 CE C4 (GB2312)同ISO-8859-1同ISO-8859-1
* `* X( l7 b  A0 T; F* n8 e7 V9 k  普通Java程序的编译过程与Servlet完全一样。9 a, J4 m5 F3 @& A$ c; d
  G+ {0 u3 a7 z( ^$ w5 J4 {
  CLASS文件中的中文表示法是不是昭然若揭了?OK,接下来看看CLASS又是怎样输出中文的呢?! M: o; `# t- q0 G9 U6 ]
3 f$ K, b% \% @/ N8 C3 S
  Class:输出字符串$ o: f& Y1 T% C4 I3 h- J
# ?) n/ ]# ?7 H& @5 h. x: m
  上文说过,字符串在内存中表现为Unicode编码。至于这种Unicode编码表示了什么,那要看它是从哪种字符集映射过来的,也就是说要看它的祖先。这好比在托运行李时,外观都是纸箱子,里面装了什么就要看寄邮件的人实际邮了什么东西。
1 _/ |; r5 O8 n; b0 \" Q( V! G
, t& D3 P% q, ~: Z( O  看看上面的例子,如果给一串Unicode编码“00D6 00D0 00CE 00C4”,如果不作转换,直接用Unicode码表来对照它时,是四个字符(而且是特殊字符);假如把它与“ISO8859-1”进行映射,则直接去掉前面的“00”即可得到“D6 D0 CE C4”,这是ASCII码表中的四个字符;而假如把它当作GB2312来进行映射,得到的结果很可能是一大堆乱码,因为在GB2312中有可能没有(也有可能有)字符与00D6等字符对应(如果对应不上,将得到0x3f,也就是问号,如果对应上了,由于00D6等字符太靠前,估计也是一些特殊符号,真正的汉字在Unicode中的编码从4E00开始)。8 e$ X. L& k3 S9 l+ D

0 e3 T; N" W- ?6 [5 v  各位看到了,同样的Unicode字符,可以解释成不同的样子。当然,这其中有一种是我们期望的结果。以上例而论,“D6 D0 CE C4”应该是我们所想要的,当把“D6 D0 CE C4”输出到IE中时,用“简体中文”方式查看,就能看到清楚的“中文”两个字了。(当然了,如果你一定要用“西欧字符”来看,那也没办法,你将得不到任何有何时何地的东西)为什么呢?因为“00D6 00D0 00CE 00C4”本来就是由ISO8859-1转化过去的。
( a+ A4 u' r# f5 c( G! q. K1 ~. B4 ]. x& o, Z
给出如下结论:  z+ y; }8 t4 \8 m
" O% V6 ^# ~6 \( N. |
  在Class输出字符串前,会将Unicode的字符串按照某一种内码重新生成字节流,然后把字节流输入,相当于进行了一步“String.getBytes(???)”操作。???代表某一种字符集。* Q  Y% O) J! a" T+ ~
9 _' d, r, b5 T0 L5 d
  如果是Servlet,那么,这种内码就是在HttpServletResponse.setContentType()方法中指定的内码,也就是上文定义的<Servlet-charset>。5 w$ n, u- I5 J/ t
& Q- X. f. t, X, z7 O4 E7 i
  如果是JSP,那么,这种内码就是在<%@ page contentType=""%>中指定的内码,也就是上文定义的<Jsp-charset>。
! r! e( t" H% r
  u: B# c' X6 R( Y3 G6 Z  如果是Java程序,那么,这种内码就是file.encoding中指定的内码,默认为ISO8859-1。" u% C: R+ j* o0 v. _1 C
- }) e5 }6 D  x- l# w5 L
  当输出对象是浏览器时
% g% f2 h0 O$ |- N
* ]$ e3 g$ U0 \0 R! J, v  ]0 ?0 r6 T( U  以流行的浏览器IE为例。IE支持多种内码。假如IE接收到了一个字节流“D6 D0 CE C4”,你可以尝试用各种内码去查看。你会发现用“简体中文”时能得到正确的结果。因为“D6 D0 CE C4”本来就是简体中文中“中文”两个字的编码。
$ |7 R- q% W& d$ x. b" n  ~! I/ ]8 q7 f  z+ ^
  OK,完整地看一遍。: v$ |6 N6 ~% j; ^4 y2 a
: Q0 v( X3 S) C8 j' t+ v
  JSP:源文件为GB2312格式的文本文件,且JSP源文件中有“中文”这两个汉字1 A/ D- ~9 r2 {6 m0 J6 t
  b! b, C, H2 }( x  D
  如果指定了<Jsp-charset>为GB2312,转化过程如下表。
4 I7 i: o7 V9 r5 T. K# B: R- k. ]
9 g% g, e" o6 Y2 v' ]  表4 Jsp-charset = GB2312时的变化过程
; Z" A2 [1 |* w( ?2 [% t7 x2 q7 B" V/ j- {. s- z' M% j6 J, {/ W% f
序号步骤说明结果1编写JSP源文件,且存为GB2312格式D6 D0 CE C4
9 H( F+ v: B" F(D6D0=中 CEC4=文)2jspc把JSP源文件转化为临时JAVA文件,并把字符串按照GB2312映射到Unicode,并用UTF格式写入JAVA文件中E4 B8 AD E6 96 873把临时JAVA文件编译成CLASS文件E4 B8 AD E6 96 874运行时,先从CLASS文件中用readUTF读出字符串,在内存中的是Unicode编码4E 2D 65 87(在Unicode中4E2D=中 6587=文)5根据Jsp-charset=GB2312把Unicode转化为字节流D6 D0 CE C46把字节流输出到IE中,并设置IE的编码为GB2312(作者按:这个信息隐藏在HTTP头中)D6 D0 CE C47IE用“简体中文”查看结果“中文”(正确显示)) h% z) d/ Z2 n, @  M
  如果指定了<Jsp-charset>为ISO8859-1,转化过程如下表。
3 r- }' p& F& P$ I+ _# y3 n* ]& l. B$ i
  表5 Jsp-charset = ISO8859-1时的变化过程1 f9 k0 s2 l/ Q" K( ]5 l

, ?& H( N; J# B# R# X- s: r5 d序号步骤说明结果1编写JSP源文件,且存为GB2312格式D6 D0 CE C4
* e" c3 ?0 a- Y# O8 q(D6D0=中 CEC4=文)2jspc把JSP源文件转化为临时JAVA文件,并把字符串按照ISO8859-1映射到Unicode,并用UTF格式写入JAVA文件中C3 96 C3 90 C3 8E C3 843把临时JAVA文件编译成CLASS文件C3 96 C3 90 C3 8E C3 844运行时,先从CLASS文件中用readUTF读出字符串,在内存中的是Unicode编码00 D6 00 D0 00 CE 00 C4
  G7 h( B5 f5 M! o3 O7 _(啥都不是!!!)5根据Jsp-charset=ISO8859-1把Unicode转化为字节流D6 D0 CE C46把字节流输出到IE中,并设置IE的编码为ISO8859-1(作者按:这个信息隐藏在HTTP头中)D6 D0 CE C47IE用“西欧字符”查看结果乱码,其实是四个ASCII字符,但由于大于128,所以显示出来的怪模怪样8改变IE的页面编码为“简体中文”“中文”(正确显示)
0 Z) N  L7 f/ A1 Z# F  奇怪了!为什么把<Jsp-charset>设成GB2312和ISO8859-1是一个样的,都能正确显示?因为表4表5中的第2步和第5步互逆,是相互“抵消”的。只不过当指定为ISO8859-1时,要增加第8步操作,殊为不便。6 d0 ], K6 B4 e: V# d- l
1 `8 }( q+ e7 U: c
  再看看不指定<Jsp-charset> 时的情况。
7 e3 ]8 c( t: A: A1 h7 i6 C. t9 v6 S! I8 Q
  表6 未指定Jsp-charset 时的变化过程0 J; H- i: p+ @6 y6 Q
* Q  C( @& q) w2 p5 V
序号步骤说明结果1编写JSP源文件,且存为GB2312格式D6 D0 CE C4& C% g. e4 P# c7 ]. v8 x3 q7 S1 i; E, w
(D6D0=中 CEC4=文)2jspc把JSP源文件转化为临时JAVA文件,并把字符串按照ISO8859-1映射到Unicode,并用UTF格式写入JAVA文件中C3 96 C3 90 C3 8E C3 843把临时JAVA文件编译成CLASS文件C3 96 C3 90 C3 8E C3 844运行时,先从CLASS文件中用readUTF读出字符串,在内存中的是Unicode编码00 D6 00 D0 00 CE 00 C45根据Jsp-charset=ISO8859-1把Unicode转化为字节流D6 D0 CE C46把字节流输出到IE中D6 D0 CE C47IE用发出请求时的页面的编码查看结果视情况而定。如果是简体中文,则能正确显示,否则,需执行表5中的第8步. i& B! u" M) s% O5 R4 V
  Servlet:源文件为JAVA文件,格式是GB2312,源文件中含有“中文”这两个汉字
, j  T+ y" p! S
2 W+ O8 e: S0 K6 M' M  如果<Compile-charset>=GB2312,<Servlet-charset>=GB2312
$ |4 U( d  ~% u) t/ ]) F
. C* B" W7 l1 K  表7 Compile-charset=Servlet-charset=GB2312 时的变化过程0 h8 F  V" I, v7 l8 Z0 @3 l' Z

5 ]  l7 x& y, ^7 ~序号步骤说明结果1编写Servlet源文件,且存为GB2312格式D6 D0 CE C4
" z  M# U3 _: z& A" D& t9 L; n  }2 z: T(D6D0=中 CEC4=文)2用javac –encoding GB2312把JAVA源文件编译成CLASS文件E4 B8 AD E6 96 87 (UTF)3运行时,先从CLASS文件中用readUTF读出字符串,在内存中的是Unicode编码4E 2D 65 87 (Unicode)4根据Servlet-charset=GB2312把Unicode转化为字节流D6 D0 CE C4 (GB2312)5把字节流输出到IE中并设置IE的编码属性为Servlet-charset=GB2312D6 D0 CE C4 (GB2312)6IE用“简体中文”查看结果“中文”(正确显示)
7 E# a1 d; K2 Y' e  如果<Compile-charset>=ISO8859-1,<Servlet-charset>=ISO8859-1/ o* ^/ S6 A" t& x* ~( g4 c3 D3 S

5 L, x, F4 ~- m5 x  表8 Compile-charset=Servlet-charset=ISO8859-1时的变化过程% `3 e% e7 D5 n5 y

5 s5 d5 T* G6 F) E5 ?序号步骤说明结果1编写Servlet源文件,且存为GB2312格式D6 D0 CE C4
9 L; B5 D* p$ o0 G: h3 a& A  G! \(D6D0=中 CEC4=文)2用javac –encoding ISO8859-1把JAVA源文件编译成CLASS文件C3 96 C3 90 C3 8E C3 84 (UTF)3运行时,先从CLASS文件中用readUTF读出字符串,在内存中的是Unicode编码00 D6 00 D0 00 CE 00 C44根据Servlet-charset=ISO8859-1把Unicode转化为字节流D6 D0 CE C45把字节流输出到IE中并设置IE的编码属性为Servlet-charset=ISO8859-1D6 D0 CE C4 (GB2312)6IE用“西欧字符”查看结果乱码(原因同表5)7改变IE的页面编码为“简体中文”“中文”(正确显示)6 `+ o: G' O* P* R: ?8 ~
  如果不指定Compile-charset或Servlet-charset,其默认值均为ISO8859-1。
4 k% v1 C  o& \; |" ^2 R# H  f, b
  当Compile-charset=Servlet-charset时,第2步和第4步能互逆,“抵消”,显示结果均能正确。读者可试着写一下Compile-charset<>Servlet-charset时的情况,肯定是不正确的。# X. U% K$ e( f3 B, \+ ]$ R

4 G/ J% Y& {1 x2 o  当输出对象是数据库时
" f; {2 _' h6 g% R9 x; i! b8 u9 k4 I6 X) q% ]+ w9 n
  输出到数据库时,原理与输出到浏览器也是一样的。本节只是Servlet为例,JSP的情况请读者自行推导。
1 H! _6 q5 _2 M, C. j. c" j4 H# b  H. B, K
  假设有一个Servlet,它能接收来自客户端(IE,简体中文)的汉字字符串,然后把它写入到内码为ISO8859-1的数据库中,然后再从数据库中取出这个字符串,显示到客户端。
8 l4 c; ]& L' O+ W# Z5 s( E  I+ S* _2 i/ o8 T
  表9 输出对象是数据库时的变化过程(1)1 U) _. i# K% T; ^$ D

  M% z6 S: r6 o! c5 j4 l! O序号步骤说明结果域1在IE中输入“中文”D6 D0 CE C4IE2IE把字符串转变成UTF,并送入传输流中E4 B8 AD E6 96 873Servlet接收到输入流,用readUTF读取4E 2D 65 87(unicode)Servlet4编程者在Servlet中必须把字符串根据GB2312还原为字节流D6 D0 CE C45编程者根据数据库内码ISO8859-1生成新的字符串00 D6 00 D0 00 CE 00 C46把新生成的字符串提交给JDBC00 D6 00 D0 00 CE 00 C47JDBC检测到数据库内码为ISO8859-100 D6 00 D0 00 CE 00 C4JDBC8JDBC把接收到的字符串按照ISO8859-1生成字节流D6 D0 CE C49JDBC把字节流写入数据库中D6 D0 CE C410完成数据存储工作D6 D0 CE C4 数据库以下是从数据库中取出数的过程11JDBC从数据库中取出字节流D6 D0 CE C4JDBC12JDBC按照数据库的字符集ISO8859-1生成字符串,并提交给Servlet00 D6 00 D0 00 CE 00 C4 (Unicode) 13Servlet获得字符串00 D6 00 D0 00 CE 00 C4 (Unicode)Servlet14编程者必须根据数据库的内码ISO8859-1还原成原始字节流D6 D0 CE C4 15编程者必须根据客户端字符集GB2312生成新的字符串4E 2D 65 875 z6 M, A- [; q" d2 M
(Unicode) Servlet准备把字符串输出到客户端16Servlet根据<Servlet-charset>生成字节流D6D0 CE C4Servlet17Servlet把字节流输出到IE中,如果已指定<Servlet-charset>,还会设置IE的编码为<Servlet-charset>D6 D0 CE C418IE根据指定的编码或默认编码查看结果“中文”(正确显示)IE
' `/ }) ?: a/ ?: Y  ?. s( q/ A  解释一下,表中第4第5步和第15第16步是用红色标记的,表示要由编码者来作转换。第4、5两步其实就是一句话:“new String(source.getBytes("GB2312"), "ISO8859-1")”。第15、16两步也是一句话:“new String(source.getBytes("ISO8859-1"), "GB2312")”。亲爱的读者,你在这样编写代码时是否意识到了其中的每一个细节呢?
/ h* y' S! b+ T$ W6 X
& ~  `* U) M$ k% t  至于客户端内码和数据库内码为其它值时的流程,和输出对象是系统控制台时的流程,请读者自己想吧。明白了上述流程的原理,相信你可以轻松地写出来。5 H. t/ o2 _& L: N0 H

5 l# H- h, I% Q0 g. ?  行文至此,已可告一段落了。终点又回到了起点,对于编程者而言,几乎是什么影响都没有。% Y+ G$ `/ m- D9 p0 }/ l1 ?; V
' V0 n, C" }9 _
  因为我们早就被告之要这么做了。
6 z5 c7 L' @" a9 d* ?3 [1 `; X9 L7 P% ]1 k  ~0 u, Y
  以下给出一个结论,作为结尾。
6 i0 J4 B7 _5 w# z4 a' e4 R/ \  Y- Y6 s
  1、 在Jsp文件中,要指定contentType,其中,charset的值要与客户端浏览器所用的字符集一样;对于其中的字符串常量,不需做任何内码转换;对于字符串变量,要求能根据ContentType中指定的字符集还原成客户端能识别的字节流,简单地说,就是“字符串变量是基于<Jsp-charset>字符集的”;
4 `8 s! c9 [+ ~  t' N# q- i- ~. ], b+ Z7 J0 ?3 \
  2、 在Servlet中,必须用HttpServletResponse.setContentType()设置charset,且设置成与客户端内码一致;对于其中的字符串常量,需要在Javac编译时指定encoding,这个encoding必须与编写源文件的平台的字符集一样,一般说来都是GB2312或GBK;对于字符串变量,与JSP一样,必须“是基于<Servlet-charset>字符集的”。
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 注册地址

qq
收缩
  • 电话咨询

  • 04714969085
fastpost

关于我们| 联系我们| 诚征英才| 对外合作| 产品服务| QQ

手机版|Archiver| |繁體中文 手机客户端  

蒙公网安备 15010502000194号

Powered by Discuz! X2.5   © 2001-2013 数学建模网-数学中国 ( 蒙ICP备14002410号-3 蒙BBS备-0002号 )     论坛法律顾问:王兆丰

GMT+8, 2026-4-20 08:32 , Processed in 0.450336 second(s), 56 queries .

回顶部