JAVA基础－关于Java中中文问题详解

我来说一下tomcat如何实现JSP的你就明白了。

预备知识：

　1.字节和unicode

　　Java内核是unicode的，就连class文件也是，但是很多媒体，包括文件/流的保存方式

　　是使用字节流的。 因此Java要对这些字节流经行转化。char是unicode的，而byte是字节.

　　Java中byte/char互转的函数在sun.io的包中间有。其中ByteToCharConverter类是中调度，

　　可以用来告诉你，你用的Convertor。其中两个很常用的静态函数是

　　 public static ByteToCharConverter getDefault() ;

　　 public static ByteToCharConverter getConverter(String encoding);

　　如果你不指定converter，则系统会自动使用当前的Encoding,GB平台上用GBK,EN平台上用

　　8859_1

　　我们来就一个简单的例子：

　　　　　"你"的gb码是：0xC4E3 ,unicode是0x4F60

　　　　　你用:

　　　　　--encoding="gb2312";

　　　　　--byte b[]={(byte)u00c4,(byte)u00E3};

　　　　　--convertor=ByteToCharConverter.getConverter(encoding);

　　　　　--char [] c=converter.convertAll(b);

　　　　　--for(int i=0;i　　　　　--{

　　　　　-- System.out.println(Integer.toHexString(c[i]));

　　　　　--}

　　　　　--打印出来是0x4F60

　　　　　--但是如果使用8859_1的编码，打印出来是

　　　　　--0x00C4,0x00E3

　　　　　----例１

　　　　 反过来：

　　　　 --encoding="gb2312";

　　　　 　　　char c[]={u4F60};

　　　　　　　 convertor=ByteToCharConverter.getConverter(encoding);

　　　　　--byte [] b=converter.convertAll(c);

　　　　　--for(int i=0;i　　　　　--{

　　　　　-- System.out.println(Integer.toHexString(b[i]));

　　　　　--}

　　　　　　--打印出来是：0xC4,0xE3

　　　　　　----例２

　　　　　　--如果用8859_1就是0x3F，?号，表示无法转化　　　　　　--

　　　　　 很多中文问题就是从这两个最简单的类派生出来的。而却有很多类　　

　　不直接支持把Encoding输入，这给我们带来诸多不便。很多程序难得用encoding

　　了，直接用default的encoding，这就给我们移植带来了很多困难

　　--

　　2.UTF-8

　　--UTF-8是和Unicode一一对应的，其实现很简单

　　--

　　 -- 7位的Unicode: 0 _ _ _ _ _ _ _

　　--11位的Unicode: 1 1 0 _ _ _ _ _ 1 0 _ _ _ _ _ _

　　--16位的Unicode: 1 1 1 0 _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _

　　--21位的Unicode: 1 1 1 1 0 _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _

　　--大多数情况是只使用到16位以下的Unicode:

　　--"你"的gb码是：0xC4E3 ,unicode是0x4F60

　　--我们还是用上面的例子

　　--　　--例１：0xC4E3的二进制：

　　--　　--　　　 1 1 0 0 0 1 0 0 1 1 1 0 0 0 1 1

　　--　　--　　　 由于只有两位我们按照两位的编码来排，但是我们发现这行不通，

　　--　　--　　　 因为第７位不是0因此，返回"?"

　　--　　--　　　

　　--　　--例２：0x4F60的二进制：

　　--　　--　　　 0 1 0 0 1 1 1 1 0 1 1 0 0 0 0 0

　　--　　--　　　 我们用UTF-8补齐，变成：

　　--　　--　　　 11100100 10111101 10100000

　　--　　--　　　 E4--BD-- A0

　　--　　--　　　 于是返回0xE4,0xBD,0xA0

　　--　　--

　　3.String和byte[]

　　--String其实核心是char[],然而要把byte转化成String，必须经过编码。

　　--String.length()其实就是char数组的长度，如果使用不同的编码，很可

　　--能会错分，造成散字和乱码。

　　--例：

　　----byte [] b={(byte)u00c4,(byte)u00e3};

　　----String str=new String(b,encoding);　　----

　　----如果encoding=8859_1，会有两个字，但是encoding=gb2312只有一个字　　----

　　--这个问题在处理分页是经常发生

　　4.Reader,Writer/InputStream,OutputStream

　　--Reader和Writer核心是char，InputStream和OutputStream核心是byte。

　　--但是Reader和Writer的主要目的是要把Char读/写InputStream/OutputStream

--一个reader的例子：

--文件test.txt只有一个"你"字，0xC4,0xE3--

--String encoding=;

--InputStreamReader reader=new InputStreamReader(

----new FileInputStream("text.txt"),encoding);

--char []c=new char[10];

--int length=reader.read(c);

--for(int i=0;i----System.out.println(c[i]);

　　--如果encoding是gb2312，则只有一个字符，如果encoding=8859_1，则有两个字符

　　--------

--

--

　　 ----

　2.我们要对Java的编译器有所了解：

　--javac -encoding

　 我们常常没有用到ENCODING这个参数。其实Encoding这个参数对于跨平台的操作是很重要的。

　 如果没有指定Encoding，则按照系统的默认Encoding,gb平台上是gb2312，英文平台上是ISO8859_1。　

　--Java的编译器实际上是调用sun.tools.javac.Main的类，对文件进行编译，这个类　--

　有compile函数中间有一个encoding的变量,-encoding的参数其实直接传给encoding变量。

　编译器就是根据这个变量来读取java文件的，然后把用UTF-8形式编译成class文件。

　一个例子：

　--public void test()

　--{

　----String str="你";

　----FileWriter write=new FileWriter("test.txt");

　----write.write(str);

　----write.close();

　--}

　----例３

--如果用gb2312编译，你会找到E4 BD A0的字段

--

--如果用8859_1编译，

--00C4 00E3的二进制：

--00000000 11000100 00000000 11100011--

--因为每个字符都大于7位，因此用11位编码：

--11000001 10000100 11000011 10100011

--C1-- 84--　C3--　 A3

--你会找到C1 84 C3 A3 --

　　但是我们往往忽略掉这个参数，因此这样往往会有跨平台的问题：

　　--　　例３在中文平台上编译，生成ZhClass

　　--　　例３在英文平台上编译，输出EnClass

　　--1.　 ZhClass在中文平台上执行OK,但是在英文平台上不行

　　--2.　 EnClass在英文平台上执行OK,但是在中文平台上不行

　　原因：

　--1.在中文平台上编译后，其实str在运行态的char[]是0x4F60,　----

　--在中文平台上运行，FileWriter的缺省编码是gb2312,因此

　--CharToByteConverter会自动用调用gb2312的converter