【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。
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 | String text = "大家好"; |
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。
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。
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。
- 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
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。)
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。
- 以某种字符编码保存 JSP 文件
- Tomcat 以指定编码来读取 JSP 文件并编译
- Tomcat 向浏览器以指定编码来发送 HTML 内容
- 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 | HTTP/1.1 200 OK |
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。
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 | <% |
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
- test.txt 是以某种编码方式保存中文字符,比如 UTF-8。
- 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。
<%=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。- 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 | InputStreamReader sr = new InputStreamReader(new FileInputStream("D://test.txt"),"UTF-8"); |
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。
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 | <% String text = request.getParameter("param"); %> |
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:
- JSP 文件的字符编码
- 请求这个带参数 URL 的源页面的字符编码
- IE 的高级设置中的选项“总以 UTF-8 方式发送 URL 地址”
- TOMCAT 的 server.xml 中配置 URIEncoding
- 函数 request.setCharacterEncoding()
- 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:
- 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。 - 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。 - 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。 - 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。
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。
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 天天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。