河伯特高

HerbertGao 个人主页

【Aamirr】Java中文字编码问题详解

JAVA 的中文字符乱码问题一直很让人头疼。特别是在 WEB 应用中。网上的分析文章和解决方案都很多,但总是针对某些特定情况的。很多次遇到乱码问题后,经过极为辛苦的调试和搜索资料后终于解决,满以为自己已经掌握了对付这些字符乱码怪兽的诀窍。可当过段时间,换了个应用或换了个环境,又会碰到那讨厌的火星文,并再次无所适从。于是下决心好好整理一下中文字符编码问题,以方便自己记忆,也为其他程序员兄弟们提供一份参考。

作者:Aamirr
来源:CSDN
原文:https://blog.csdn.net/ora_unix/article/details/6323654
版权声明:本文为博主原创文章,转载请附上博文链接!

首先要了解 JAVA 处理字符的原理。JAVA 使用 UNICODE 来存储字符数据,处理字符时通常有三个步骤:

  • 按指定的字符编码形式,从源输入流中读取字符数据
  • 以 UNICODE 编码形式将字符数据存储在内存中
  • 按指定的字符编码形式,将字符数据编码并写入目的输出流中。

所以 JAVA 处理字符时总是经过了两次编码转换,一次是从指定编码转换为 UNICODE 编码,一次是从 UNICODE 编码转换为指定编码。如果在读入时用错误的形式解码字符,则内存存储的是错误的 UNICODE 字符。而从最初文件中读出的字符数据,到最终在屏幕终端显示这些字符,期间经过了应用程序的多次转换。如果中间某次字符处理,用错误的编码方式解码了从输入流读取的字符数据,或用错误的编码方式将字符写入输出流,则下一个字符数据的接收者就会编解码出错,从而导致最终显示乱码。
这一点,是我们分析字符编码问题以及解决问题的指导思想。

好,现在我们开始一只只的解决这些乱码怪兽。

一、在 JAVA 文件中硬编码中文字符,在 eclipse 中运行,控制台输出了乱码。

例如,我们在 JAVA 文件中写入以下代码:

1
2
String text = "大家好";
System.out.println(text);

如果我们是在 eclipse 里编译运行,可能看到的结果是类似这样的乱码:��Һ�。那么,这是为什么呢?

我们先来看看整个字符的转换过程。

  1. 在 eclipse 窗口中输入中文字符,并保存成 UTF-8 的 JAVA 文件。这里发生了多次字符编码转换。不过因为我们相信 eclipse 的正确性,所以我们不用分析其中的过程,只需要相信保存下的 JAVA 文件确实是 UTF-8 格式。

  2. 在 eclipse 中编译运行此 JAVA 文件。这里有必要详细分析一下编译和运行时的字符编码转换。

    • 编译:我们用 javac 编译 JAVA 文件时,javac 不会智能到猜出你所要编译的文件是什么编码类型的,所以它需要指定读取文件所用的编码类型。默认 javac 使用平台缺省的字符编码类型来解析 JAVA 文件。平台缺省编码是操作系统决定的,我们使用的是中文操作系统,语言区域设置通常都是中国大陆,所以平台缺省编码类型通常是 GBK。这个编码类型我们可以在 JAVA 中使用System.getProperty("file.encoding")来查看。所以 javac 会默认使用 GBK 来解析 JAVA 文件。如果我们要改变 javac 所用的编码类型,就要加上-encoding参数,如javac -encoding UTF-8 Test.java
      这里要另外提一下的是 eclipse 使用的是内置的编译器,并不能添加参数,如果要为 javac 添加参数则建议使用 ANT 来编译。不过这并非出现乱码的原因,因为 eclipse 可以为每个 JAVA 文件设置字符编码类型,而内置编译器会根据此设置来编译 JAVA 文件。
    • 运行:编译后字符数据会以 UNICODE 格式存入字节码文件中。然后 eclipse 会调用 java 命令来运行此字节码文件。因为字节码中的字符总是 UNICODE 格式,所以 java 读取字节码文件并没有编码转换过程。虚拟机读取文件后,字符数据便以 UNICODE 格式存储在内存中了。
  3. 调用System.out.println来输出字符。这里又发生了字符编码转换。
    System.out.println使用了 PrintStream 类来输出字符数据至控制台。PrintStream 会使用平台缺省的编码方式来输出字符。我们的中文系统上缺省方式为 GBK,所以内存中的 UNICODE 字符被转码成了 GBK 格式,并送到了操作系统的输出服务中。因为我们操作系统是中文系统,所以往终端显示设备上打印字符时使用的也是 GBK 编码。如果到这一步,我们的字符其实不再是 GBK 编码的话,终端就会显示出乱码。

那么,在 eclipse 运行带中文字符的 JAVA 文件,控制台显示了乱码,是在哪一步转换错误呢?我们一步步来分析。

  • 保存 JAVA 文件成 UTF-8 后,如果再次打开你没有看到乱码,说明这步是正确的。
  • 用 eclipse 本身来编译运行 JAVA 文件,应该没有问题。
  • System.out.println会把内存中正确的 UNICODE 字符编码成 GBK,然后发到 eclipse 的控制台去。等等,我们看到在 Run Configuration 对话框的 Common 标签里,控制台的字符编码被设置成了 UTF-8!问题就在这里。System.out.println已经把字符编码成了 GBK,而控制台仍然以 UTF-8 的格式读取字符,自然会出现乱码。
    将控制台的字符编码设置为 GBK,乱码问题解决。
    (这里补充一点:eclipse 的控制台编码是继承了 workspace 的设置的,通常控制台编码里没有 GBK 的选项而且不能输入。我们可以先在 workspace 的编码设置中输入 GBK,然后在控制台的设置中就可以看到 GBK 的选项了,设置好后再把 workspace 的字符编码设置改回 UTF-8 就是。)

二、JSP 文件中硬编码中文字符,在浏览器上显示乱码。

我们用 eclipse 编写一个 JSP 页面,使用 tomcat 浏览这个页面时,整个页面的中文字符都是乱码。这是什么原因呢?
JSP 页面从编写到在浏览器上浏览,总共有四次字符编解码。

  1. 以某种字符编码保存 JSP 文件
  2. Tomcat 以指定编码来读取 JSP 文件并编译
  3. Tomcat 向浏览器以指定编码来发送 HTML 内容
  4. 浏览器以指定编码解析 HTML 内容
    这里的四次字符编解码,有一次发生错误最终显示的就会是乱码。我们依次来分析各次的字符编码是如何设置的。
  • 保存 JSP 文件,这是在编辑器中设置的,比如 eclipse 中,设置文件字符类型为 UTF-8。
  • JSP 文件开头的<%@ page language="java" contentType="text/html; charset=UTF-8" pageEncoding="UTF-8"%>,其中 pageEncoding 用来告诉 tomcat 此文件所用的字符编码。这个编码应该与 eclipse 保存文件用的编码一致。Tomcat 以此编码方式来读取 JSP 文件并编译。
  • page 标签中的 contentType 用来设置 tomcat 往浏览器发送 HTML 内容所使用的编码。这个编码会在 HTTP 响应头中指定以通知浏览器。
  • 浏览器根据 HTTP 响应头中指定的字符编码来解析 HTML 内容。如:
1
2
3
4
5
6
7
8
HTTP/1.1 200 OK
Date: Mon, 01 Sep 2008 23:13:31 GMT
Server: Apache/2.2.4 (Win32) mod_jk/1.2.26
Vary: Host,Accept-Encoding
Set-Cookie: JAVA2000_STYLE_ID=1; Domain=www.java2000.net; Expires=Thu, 03-Nov-2011 09:00:10 GMT; Path=/
Content-Encoding: gzip
Transfer-Encoding: chunked
Content-Type: text/html;charset=UTF-8

另外,HTML 中有个标签<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">中也指定了 charset。不过这个字符编码只有在当网页保存在本地作为静态网页时有效,因为没有 HTTP 头,所以浏览器根据此标签来识别 HTML 内容的编码方式。

现在在 JSP 文件中硬编码出现乱码的机会比较小了,因为大家都用了如 eclipse 的编辑器,基本上可以自动保证这几个编码设置的正确性。现在更多碰到的是在 JSP 文件中从其他数据源中读取中文字符所产生的乱码问题。

三、在 JSP 文件中读取字符文件并在页面中显示,中文字符显示为乱码。

比如,我们在 JSP 文件中使用以下代码:

1
2
3
4
5
6
<%
BufferedReader reader = new BufferedReader(new FileReader("D://test.txt"));
String content = reader.readLine();
reader.close();
%>
<%=content%>

test.txt 里保存的是中文字符,但在浏览器上看到的乱码。这是个经常见到的问题。我们继续用之前的方法一步步来分析输入和输出流

  1. test.txt 是以某种编码方式保存中文字符,比如 UTF-8。
  2. BufferedReader 直接读取 test.txt 的字节内容并以默认方式构造字符串。分析 BufferedReader 的代码,我们可以看到 BufferedReader 调用了 FileReader 的 read 方法,而 FileReader 又调用了 FileInputStream 的 native 的 read 方法。所谓 native 的方法,就是操作系统底层方法。那么我们操作系统是中文系统,所以 FileInputStream 默认用 GBK 方式读取文件。因为我们保存 test.txt 用的是 UTF-8,所以在这里读取文件内容使用 GBK 是错误的编码。
  3. <%=content%>其实就是out.print(content),这里又用到了 HTTP 的输出流 JspWriter,于是字符串 content 又被以 JSP 的 page 标签中指定的 UTF-8 方式编码成字节数组被发送到浏览器端。
  4. 浏览器以 HTTP 头中指定的方式解码字符,这时无论是用 GBK 还是 UTF-8 解码,显示的都是乱码。
    可见,我们字符编码转换在第二步时出错了,UTF-8 的字符串被当做 GBK 读入了内存中。
    解决这个乱码问题有两种方法,一是把 test.txt 用 GBK 保存,则 FileInputStream 能正确读入中文字符;二是使用 InputStreamReader 来转换字符编码,如:
1
2
InputStreamReader sr = new InputStreamReader(new FileInputStream("D://test.txt"),"UTF-8");
BufferedReader reader = new BufferedReader(sr);

这样,JAVA 就会用 UTF-8 的方式来从文件中读取字符数据。
另外,我们可以通过在 java 命令后带上 Dfile.encoding 参数来指定虚拟机读取文件使用的默认字符编码,例如java -Dfile.encoding=UTF-8 Test,这样,我们在 JAVA 代码里用System.getProperty("file.encoding")取到的值为 UTF-8。

四、JSP 读取 request.getParameter 里的中文参数后,在页面显示为乱码。

在 JAVA 的 WEB 应用中,对 request 对象里的 parameters 的中文处理一直是常见也最难搞的一只大怪兽。经常是刚搞定了这边,那边又出了乱码。而导致这种复杂性的,主要是此过程中字符编解码次数非常多,而且无论是浏览器还是 WEB 服务器特别是 TOMCAT 总是不能给我们一个比较满意的支持。
首先我们来分析用 GET 方式上传参数的乱码情况。
例如我们在浏览器地址栏输入以下 URL:http://localhost:8080/test/test.jsp?param=大家好
我们的 JSP 代码如此处理 param 这个参数:

1
2
<% String text = request.getParameter("param"); %>
<%=text%>

而就这么简单的两句代码,我们很有可能在页面上看到这样的乱码:´ó¼ÒºÃ
网上对处理request.getParamter中的乱码有很多文章和方法,也都是正确的,只是方法太多让人一直不明白到底是为什么。这里给大家分析一下到底是怎么一回事。
首先,我们来看看与 request 对象有哪些相关的编码设置:

  1. JSP 文件的字符编码
  2. 请求这个带参数 URL 的源页面的字符编码
  3. IE 的高级设置中的选项“总以 UTF-8 方式发送 URL 地址”
  4. TOMCAT 的 server.xml 中配置 URIEncoding
  5. 函数 request.setCharacterEncoding()
  6. JS 的 encodeURIComponent 函数与 JAVA 的 URLDecoder 类

这么多条相关编码设置,也难怪大家被搞得头晕了。这里给大家根据各种情况给大家一一分析一下。见下表:

序号 请求源页面编码 从地址栏
输入 URL 访问
TOMCAT 的
URIEncoding 设置
IE 的 UTF-8
发送 URL 地址设置
结果
1 UTF-8 未设置 打开 显示符号乱码
2 UTF-8 未设置 关闭 显示符号乱码
3 GBK 未设置 打开 显示符号乱码
4 GBK 未设置 关闭 显示符号乱码
5 地址栏输入 未设置 打开 显示符号乱码
6 地址栏输入 未设置 关闭 显示符号乱码
7 UTF-8 GBK 打开 显示汉字乱码
8 UTF-8 GBK 关闭 显示汉字乱码
9 GBK GBK 打开 正常
10 GBK GBK 关闭 正常
11 地址栏输入 GBK 打开 正常
12 地址栏输入 GBK 关闭 正常
13 UTF-8 UTF-8 打开 IE6: 奇数个的中文最后一位为乱码
IE7: 正常
14 UTF-8 UTF-8 关闭 IE6: 奇数个的中文最后一位为乱码
IE7: 正常
15 地址栏输入 UTF-8 打开 显示口字乱码
16 地址栏输入 UTF-8 关闭 显示口字乱码
17 GBK UTF-8 打开 显示问号乱码
18 GBK UTF-8 关闭 显示问号乱码
19 地址栏输入 UTF-8 打开 显示口字乱码
20 地址栏输入 UTF-8 关闭 显示口字乱码

(HerbertGao 注:15/16 与 19/20 重复,原文如此)

以上表格里的现象,除了指名在 IE7 上,其他全是在 IE6 上测试的结果。
由这个表我们可以看到,IE 的“总以 UTF-8 方式发送 URL 地址”设置并不影响对 parameter 的解析,而从页面请求 URL 和从地址栏输入 URL 居然也有不同的表现。
根据这个表列出的现象,大家只要用 smartSniff 抓几个网络包,并稍稍调查一下 TOMCAT 的源代码,就可以得出以下结论:

  1. IE 设置中的“总以 UTF-8 方式发送 URL 地址”只对 URL 的 PATH 部分起作用,对查询字符串是不起作用的。也就是说,如果勾选了这个选项,那么类似http://localhost:8080/test/大家好.jsp?param=大家好这种 URL,前一个“大家好”将被转化成 UTF-8 形式,而后一个并没有变化。这里所说的 UTF-8 形式,其实应该叫 UTF-8+escape 形式,即%B4%F3%BC%D2%BA%C3这种形式。
    那么,查询字符串中的中文字符,到底是用什么编码传送到服务器的呢?答案是系统默认编码,即 GBK。也就是说,在我们中文操作系统上,传送给 WEB 服务器的查询字符串,总是以 GBK 来编码的。
  2. 在页面中通过链接或 location 重定向或 open 新窗口的方式来请求一个 URL,这个 URL 里面的中文字符是用什么编码的?答:是用该页面的编码类型。也就是说,如果我们从某个源 JSP 页面上的链接来访问http://localhost:8080/test/test.jsp?param=大家好这个 URL,如果源 JSP 页面的编码是 UTF-8,则大家好这几个字的编码就是 UTF-8。
    而在地址栏上直接输入 URL 地址,或者从系统剪贴板粘贴到地址栏上,这个输入并非从页面中发起的,而是由操作系统发起的,所以这个编码只可能是系统的默认编码,与任何页面无关。我们还发现,在不同的浏览器上,用链接方式打开的页面,如果在地址栏上再敲个回车,显示的结果也会不同。IE 上敲回车后显示不变化,而傲游上可能就会有乱码或乱码消失的变化。说明 IE 上敲回车,实际发送的是之前记忆下来的内存中的 URL,而傲游上发送的从当前地址栏重新获取的 URL。
  3. TOMCAT 的 URIEncoding 如果不加以设置,则默认使用 ISO-8859-1 来解码 URL,设置后便用设置了的编码方式来解码。这个解码同时包括 PATH 部分和查询字符串部分。可见,这个参数是对用 GET 方式传递的中文参数最关键的设置。不过,这个参数只对 GET 方式传递的参数有效,对 POST 的无效。分析 TOMCAT 的源代码我们可以看到,在请求一个页面时,TOMCAT 会尝试构造一个 Request 对象,在这个对象里,会从 Server.xml 里读取 URIEncoding 的值,并赋值给 Parameters 类的 queryStringEncoding 变量,而这个变量将在解析 request.getParameter 中的 GET 参数时用来指导字符解码。
  4. request.setCharacterEncoding 函数只对 POST 的参数有效,对 GET 的参数无效。且这个函数必须是在第一次调用 request.getParameter 之前使用。这是因为 Parameters 类有两个字符编码参数,一个是 encoding,另一个是 queryStringEncoding,而 setCharacterEncoding 设置的是 encoding,这个是在解析 POST 的参数是才用到的。
    所以,这就导致了我们通常都要分开处理 POST 和 GET 的字符编码,用 TOMCAT 自带的 filter 只能处理 POST 的,另外要设置 URIEncoding 来设置 GET 的。这样很麻烦而且 URIEncoding 无法根据内容来动态区分编码,总还是一个问题。
    在调查 TOMCAT 的代码时发现了另一个在 server.xml 里的参数 useBodyEncodingForURI,可以解决这个问题。这个参数设成 true 后,TOMCAT 就会用 request.setCharacterEncoding 所设置的字符编码来同样解析 GET 参数了。这样,那个 SetCharacterEncodingFilter 就可以同时处理 GET 和 POST 参数了。

知道了以上知识后,我们再来分析一下前面表格中列出的几个典型现象。
第一条,请求源页面的编码为 UTF-8,而 TOMCAT 的 URIEncoding 未指定,则 TOMCAT 用 ISO8859-1 方式来解码参数,所以从 request 中读出来后,内存中存储的为错误的 UNICODE 数据,导致之后到屏幕显示的所有转换全部出错。
第九条,请求源页面编码为 GBK,而 TOMCAT 的 URIEncoding 也为 GBK,TOMCAT 用 GBK 方式去解码原本用 GBK 编码的字符,解码正确,内存中的 UNICODE 值正确,最终显示正确的中文。
第十三条,请求源页面编码为 UTF-8,TOMCAT 的 URIEncoding 也为 UTF-8,而在 IE6 中最终显示的中文字符,如果是奇数个数,则最后一个会显示为乱码。这是为什么呢?
我的猜测是,这是因为 IE6 将 URL 地址发送时,对查询字符串是直接对 UTF-8 格式的字符使用 GBK 来编码,而不是对 UNICODE 的字符来用 GBK 编码,所以 UTF-8 的数据没有经过 UNICODE 而直接编码成了 GBK。而到了 TOMCAT 这边,GBK 的编码又被当成 UTF-8 做了解码。所以这个过程中经过了 UTF-8 转换成 GBK,然后又从 GBK 转换成 UTF-8 的过程,而这种转换,恰好就会出现奇数个中文字符串的最后一位为乱码的现象。而在 IE7 中,估计把这种现象当做 BUG 已经被解决了,即在发送地址时会先转成 UNICODE 再编码成 GBK。那么估计在 IE7 的浏览器+中文操作系统环境下,如果我们把 TOMCAT 的 URIEncoding 设置成 GBK,无论 JSP 编码成什么格式,都不会出现乱码。这个没测试,请大家自己验证。
其他几条就不再做分析了,有兴趣的大家自己分析。

五、对 URL 做 Encode 和 Decode

对于 request 参数的中文乱码问题,个人觉得最好的还是用 URLEncode/URLDecode,因为如果你的 WEB 站点要支持国际化,最好就是保证从 IE 递送过来的参数永远是正确的 UTF-8 编码。
在 IE 端,我们可以用 JS 脚本来对参数编码:encodeURIComponent(),编码后中文字符便变成了%B4%F3%BC%D2%BA%C3这种形式。在 JAVA 端,可以用 java.net.URLDecoder.decode来解码。不过这里要注意一个问题,就是 TOMCAT 会自动先对 URL 做一次 decode,我们可以在 TOMCAT 的 UDecoder 类中看到这一点。不过 TOMCAT 并非使用了 URLDecoder.decode,而是自己编写了一个 decode 函数。网上有些文章上介绍过一种处理乱码的方法便是在 JS 中对参数做两次 encodeURIComponent,在 JAVA 中做一次 decode,可以解决一些没有设置 URIEncoding 时发生的乱码问题。不过个人觉得如果弄懂了整个字符编码转换的过程,基本上是用不到这种方法的。

六、从数据库中读取中文字符数据,在页面上显示为乱码。

对于数据库中读取中文字符出现乱码的问题,本人遇到的还比较少,所以暂时没有总结。如果大家有类似的经验,欢迎补充说明,我一定注明作者身份。

好了,对各种字符乱码问题的分析就总结到这里,相信只要把握“以指定编码读取–转换为 UNICODE–以指定编码输入”这基本步骤,初学者也可以很快分析出字符乱码的根源所在。另外我建议不要随便使用new String(str.getBytes(enc1),enc2)这种方式来强行转码,也不要随便使用网上的字符转码函数,我觉得只会把问题隐藏更深更复杂化。我们应该清晰地分析整个字符流的编解码过程,自然可以找出乱码的根源所在,从而保证整个字符流动中,在内存中的 UNICODE 始终是正确的。

另外再附上个人总结的乱码分析的一套秘籍!即从乱码的长相来分析是哪种编码转换错误。有人可以闻香识酒,我们也来个看字识码。请看下表:

名称 示例 特点 产生原因
古文码 鐢辨湀瑕佸ソ濂藉  涔犲ぉ澶 ╁ 悜涓 ? 大都为不认识的古文,并加杂日韩文 以 GBK 方式读取 UTF-8 编码的中文
口字码 ���� Ҫ �¨²� ѧ ϰ ������ 大部分字符为小方块 以 UTF-8 的方式读取 GBK 编码的中文
符号码 ç±æè¦å¥½å¥½å­¦ä¹ å¤©å¤©åä¸ 大部分字符为各种符号 以 ISO8859-1 方式读取 UTF-8 编码的中文
拼音码 ÓÉÔÂÒ ªº à º ÃÑ § Ï ° Ì ì Ì ì Ï ò ÉÏ 大部分字符为头顶带有各种类似声调符号的字母 以 ISO8859-1 方式读取 GBK 编码的中文
问句码 由月要好好学习天天向 ?? 字符串长度为偶数时正确,长度为奇数时最后的字符变为问号 以 GBK 方式读取 UTF-8 编码的中文,然后又用 UTF-8 的格式再次读取
锟拷码 锟斤拷锟斤拷要锟矫猴拷学习锟斤拷锟斤拷锟斤拷 全中文字符,且大部分字符为“ 锟斤拷 ”这几个字符 以 UTF-8 方式读取 GBK 编码的中文,然后又用 GBK 的格式再次读取

不过个人至今仍然弄不明白的就是问号码的产生原因,问号码即所有字符几乎全部为问号的乱码。问号码的出现有多种情况。我目前能确认的当我们把中文字符强行以 ISO8859-1 编码写入文件后,字符的高位信息会丢失,从而再次从文件中读出字符时便全部变为问号符。而我在 JAVA 代码中用 UTF-8 的方式去读取 GBK 编码的字符,出来的也是问号码,而并非口字码,这是我百思不得其解的问题。

欢迎关注我的其它发布渠道