深入剖析JSP和Servlet对中文的处理

韩冰

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。

+ t: Z+ ~* p0 S8 G　　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。

　　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。

. {* h; t! t, {' C8 a% e3 ]% W$ W　　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。
: P" _, d& v2 `) B2 F
( P, P4 V0 j6 q) c" L- s4 s　　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。
" H) [1 J0 |* }2 i
　　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。

　　在JDK中，与中文相关的编码有：

　　表1　JDK中与中文相关的编码列表
) X* W& Z5 K/ p$ N
8 D5 _# {5 U; T/ ]* C& F: I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
　　在实际编程时，接触得比较多的是GB2312（GBK）和ISO8859-1。

　　为什么会有“?”号
. ^" @5 v4 Q8 ~2 T3 K: ~
# m/ ?& `& z% V& N3 n　　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。

1 l, @! p4 x6 ~. S) W+ L* y　　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。
& }3 Z0 f  y- y
2 ?  M2 e0 R8 a4 g; M  b' y. _8 b　　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。
; m% d" I, g& w7 B+ R: b2 z; p
2 u  M3 r7 u2 V! C: }9 L4 Q) n5 h　　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。
7 Z( u/ i3 B5 q
  P0 ]- g! n% ]* v, k　　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。
$ s7 f5 h5 g7 A, p5 c4 [8 j; I  t
　　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。
% x. y4 _! [4 D3 H( |9 ?- g
3 r2 E. x: ?7 d# l4 O) A　　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。
  m; C) E+ p/ X, f% J7 n4 e
什么是UTF
& e0 n, s. D( W$ V, i
, }2 ~. |: R+ N1 a/ @　　UTF，是Unicode Text Format的缩写，意为Unicode文本格式。对于UTF，是这样定义的：
. w* K6 r9 T- i
) v! d2 D/ s2 B" E+ ]  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）；

/ ^" `) ~' s4 y+ \6 G　　（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）；
  I% }/ z' `" x, J# V3 K, e
　　（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）；

　　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。

　　好了，基础性的论述差不多了，下面进入正题。
8 B- {! u! e" Q2 ^
) H0 s' m$ ^/ k6 N( H　　先把这个问题想成是一个黑匣子。先看黑匣子的一级表示：

5 u) |; N: [* ~# ]$ }input(charsetA)-＞process(Unicode)-＞output(charsetB)

8 {9 G& r& J) ?7 L　　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。

. w. w* G  o7 _5 a3 Y, L! h5 ?　　再看二级表示：

3 o; o# a% T& p. b0 m1 Z) eSourceFile(jsp,java)-＞class-＞output

. a( j5 |* K+ b( O' x" {　　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：
% Y8 t3 \5 j& ]4 u2 ~
5 `! x2 I; y% C& W( l' b' Rjsp-＞temp file-＞class-＞browser,os console,db
" I. K! K! G" B5 e# x  k
app,servlet-＞class-＞browser,os console,db

! S4 g8 g/ F2 k- D* ~　　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。
" K- [- G' t- f. K: d' v1 b8 k  @; w
/ V# P  N* w+ c" u& u* l: H　　JSP：从源文件到Class的过程

  L. y# N% m. h' k- D　　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。
1 N/ [3 [$ W/ F6 o5 {& ?
　　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；

( }4 V# x7 Z2 I& z1 W5 N5 l) `　　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；
6 R; [1 ?$ u1 c. h0 N$ h9 f
　　3、引擎用相当于“javac –encoding UNICODE”的命令，把JAVA文件编译成CLASS文件；
8 X7 O: h3 n: @6 U1 {* S
- d$ ?, v) u6 J　　先看一下这些过程中中文字符的转换情况。有如下源代码：

5 q& f! T' L2 g2 S5 @" {3 O' E( j# u＜%@ page contentType="text/html; charset=gb2312"%＞
＜html＞＜body＞
+ x* {+ ]$ W9 L/ |' i- W＜%
' R9 I9 f% X  W" K0 d+ j　String a="中文";
　out.println(a);
4 S7 b. j. n/ X* L0 R6 B% d% R" E' U%＞
) K7 \& w! A: e/ c4 ^＜/body＞＜/html＞
: {( b5 A7 Z& @  p+ x& e　　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。
2 p5 ?  @2 x( Q8 C2 n# p- E* J; ~
, c0 e1 C3 c( I) U( p) s　　再看JSP中指定的CharSet为ISO-8859-1的情况。

2 i7 O- V0 ?  `# @2 S
) w; Z. q# t! A: [＜%@ page contentType="text/html; charset=ISO-8859-1"%＞
＜html＞＜body＞
* f% Q% h, `. u$ j, {% v! I  L( H0 n＜%
　String a="中文";
( z- `+ y, s- a　out.println(a);
' r3 D0 h, D! ^& F- ~# `" l%＞
＜/body＞＜/html＞
: q, e4 q1 R9 Y9 Z　　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”。
+ @0 z5 L7 b% e, \0 A
8 E/ ?1 y. T& _; Y. H　　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。

/ X9 I/ u' J1 S# ~　　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：

  T, k7 ^4 u, M# a: U, t　　表2　“中文”从JSP到CLASS的转化过程
1 e2 Z# J: C- t, N3 h* A# w

" M  q$ N- m, ]$ BJsp-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
4 O* K. o0 W8 N& }7 K(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
　　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。

韩冰

Servlet：从源文件到Class的过程

2 I8 B; r4 C. I, Y　　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。
1 k: k& q; Y3 Q4 n0 L8 [
　　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”。

& T. ?. |& X- G! x. L: V　　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。

　　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＞。
6 M5 L. d+ s+ n8 Z$ s
　　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。

8 ?7 Z) l+ K, H7 p　　看下例：
' i, v' a$ n2 O) i8 U7 d' ?
import javax.servlet.*;
8 T& e- x7 l$ C4 x+ U
: A' t9 ]# r# g- ^+ q# R8 Kimport javax.servlet.http.*;

class testServlet extends HttpServlet
{
　public void doGet(HttpServletRequest req,HttpServletResponse resp)
　throws ServletException,java.io.IOException
　{
5 o" c( E" v( O) Q3 C" I; ~+ `( r8 W- m　　resp.setContentType("text/html; charset=GB2312");
　　java.io.PrintWriter out=resp.getWriter();
　　out.println("＜html＞");
　　out.println("#中文#");
　　out.println("＜/html＞");
　}
}
　　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）。
& X/ ^; L9 i5 U
# q$ t4 r7 B2 t1 B6 l　　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。
! [* e4 B/ n8 j6 b  K# c1 A
4 {: Q3 G3 a9 s　　表3　“中文”从Servlet源文件到Class的转变过程

3 ]& e: S; y; N8 `; jCompile-charsetServlet源文件中Class文件中等效的Unicode码GB2312D6 D0 CE C4
(GB2312)E4 B8 AD E6 96 87 (UTF)\u4E2D\u6587 (在Unicode中＝“中文”)ISO-8859-1D6 D0 CE C4
(GB2312)C3 96 C3 90 C3 8E C3 84 (UTF)\u00D6 \u00D0 \u00CE \u00C4 (在D6 D0 CE C4前面各加了一个00)无（默认）D6 D0 CE C4 (GB2312)同ISO-8859-1同ISO-8859-1
　　普通Java程序的编译过程与Servlet完全一样。
1 T- |$ h0 N/ v& }
  r, ^& r& q! V1 H7 i6 P　　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？
; |/ D5 z7 V, p7 O! y  m
　　Class：输出字符串
: t4 N. M$ }) N, Y
　　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。
; v* t* h2 l7 G# |' K" _  x9 v% y
5 P" b/ |" U: Y  J) Q) v2 c' Y, ^5 a　　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）。
' _- z0 e% [( N0 U1 W
" h8 m5 @5 ~/ k# h; K　　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。

# g: b, ?$ B- r) G5 D给出如下结论：
# e. J# H' {' I  Y! z9 P6 [; u
: `# ^( `- A9 t0 P2 A; 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。
; H% {$ ~8 p# U8 C, c4 @* ~
# L( X7 m$ `  P' }; K　　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＞。

  A+ p* ]) c0 B8 p- ?$ x- w　　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＞。
1 W9 g: z5 A- W% b
* G* a  a; d' c" [3 P( ^# O5 h　　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。
( J8 @0 o, E4 o# Q
　　当输出对象是浏览器时
+ p/ u/ L3 K3 }9 N; t: Q
& T7 l% ?0 {  K2 M* `8 o' V# \& Y( c　　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。

　　OK，完整地看一遍。
9 t& w8 Z$ h% P; k- q: j7 L! |; @2 \
& C4 `1 \, G! `1 ]. R1 Q( m　　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
. z9 K6 |" R2 |9 J) U! J/ n: T8 J$ H4 |
+ C+ q$ \8 Q3 L; ?1 r) m6 C　　如果指定了＜Jsp-charset＞为GB2312，转化过程如下表。
/ o0 w+ L- |: Q1 d, G$ k$ K
) m+ a) F. T+ @6 D　　表4　Jsp-charset = GB2312时的变化过程
3 l; p/ p# i8 ~7 P$ Q8 L
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
; `2 t$ u  T0 x8 E& L* R- k（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）
　　如果指定了＜Jsp-charset＞为ISO8859-1，转化过程如下表。
; v( |9 q, p9 B0 X
5 E, d. U  N( j　　表5　Jsp-charset = ISO8859-1时的变化过程
! F# G+ ~2 }4 ?
5 G9 J7 p, ]' ~( s) L' H" o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
（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
# D/ y0 f5 L" m% d（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）
* {- T0 ]) X3 g* l9 w　　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。
) K" b: k$ H# b7 {
　　再看看不指定＜Jsp-charset＞ 时的情况。

9 A6 B) m6 k9 a9 L- D　　表6　未指定Jsp-charset 时的变化过程

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
4 M! W0 ^/ K1 h' a7 L8 O（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
　　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

  n' j# X9 N* Y9 S1 w　　如果＜Compile-charset＞＝GB2312，＜Servlet-charset＞=GB2312

　　表7　Compile-charset=Servlet-charset=GB2312 时的变化过程
( R# s8 n( e/ F- z0 I! h
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 M+ `  Q9 J- |6 }" f/ 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）
　　如果＜Compile-charset＞＝ISO8859-1，＜Servlet-charset＞=ISO8859-1

　　表8　Compile-charset=Servlet-charset=ISO8859-1时的变化过程
7 R/ q# u2 o& ^2 P
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
% k- C: a' g* H( Q（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）
　　如果不指定Compile-charset或Servlet-charset，其默认值均为ISO8859-1。
3 l& k! k% h" [4 S+ [
　　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。

# ]! X1 ~2 q' m5 j. g; Q　　当输出对象是数据库时
/ w  R  _* x' y
; {, f' @( _! ^* L' u　　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。

4 |" K. [/ J6 Z4 s) t　　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。
+ N' j: u7 |! d
　　表9　输出对象是数据库时的变化过程（1）

# v: a& @0 ]& |6 ~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 87
- b" e; F. m& W5 t" y$ t- f) P9 ~（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
" Y! r' p, z9 Z3 s　　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？

* P7 p6 X" k6 L6 p. S- G0 Q　　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。

　　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。
) L7 W, d0 E9 f) k" o7 P3 P# G8 d
/ u& H$ Y6 m7 N, ~　　因为我们早就被告之要这么做了。

　　以下给出一个结论，作为结尾。

* u4 `* h6 I6 Q3 \1 c( w2 p　　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”；
; u8 f) o5 U# E
7 D8 f2 }) i4 K　　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”。