Java中文問題詳解(轉)

Java中文問題詳解(轉)[@more@]

我來說一下tomcat如何實現JSP的你就明白了。

預備知識：

　1.位元組和unicode

　　Java核心是unicode的，就連class檔案也是，但是很多媒體，包括檔案/流的儲存方式

　　是使用位元組流的。 因此Java要對這些位元組流經行轉化。char是unicode的，而byte是位元組.

　　Java中byte/char互轉的函式在sun.io的包中間有。其中ByteToCharConverter類是中排程，

　　可以用來告訴你，你用的Convertor。其中兩個很常用的靜態函式是

　　 public static ByteToCharConverter getDefault() ;

　　 public static ByteToCharConverter getConverter(String encoding);

　　如果你不指定converter，則系統會自動使用當前的Encoding,GB平臺上用GBK,EN平臺上用

　　8859_1

　　

　　我們來就一個簡單的例子：

　　　　　"你"的gb碼是：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]));

　　　　　--}

　　　　　--列印出來是0x4F60

　　　　　--但是如果使用8859_1的編碼，列印出來是

　　　　　--0x00C4,0x00E3

　　　　　----例１

　　　　 反過來：

　　　　 --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]));

　　　　　--}

　　　　　　--列印出來是：0xC4,0xE3

　　　　　　----例２

　　　　　　--如果用8859_1就是0x3F，?號，表示無法轉化　　　　　　--

　　　　　 很多中文問題就是從這兩個最簡單的類派生出來的。而卻有很多類　　

　　不直接支援把Encoding輸入，這給我們帶來諸多不便。很多程式難得用encoding

　　了，直接用default的encoding，這就給我們移植帶來了很多困難

　　--

　　2.UTF-8

　　--UTF-8是和Unicode一一對應的，其實現很簡單

　　--

　　 -- 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 _ _ _ _ _ _

　　--大多數情況是隻使用到16位以下的Unicode:

　　--"你"的gb碼是：0xC4E3 ,unicode是0x4F60

　　--我們還是用上面的例子

　　--　　--例１：0xC4E3的二進位制：

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

　　--　　--　　　 由於只有兩位我們按照兩位的編碼來排，但是我們發現這行不通，

　　--　　--　　　 因為第７位不是0因此，返回"?"

　　--　　--　　　

　　--　　--例２：0x4F60的二進位制：

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

　　--　　--　　　 我們用UTF-8補齊，變成：

　　--　　--　　　 11100100 10111101 10100000

　　--　　--　　　 E4--BD-- A0

　　--　　--　　　 於是返回0xE4,0xBD,0xA0

　　--　　--

　　3.String和byte[]

　　--String其實核心是char[],然而要把byte轉化成String，必須經過編碼。

　　--String.length()其實就是char陣列的長度，如果使用不同的編碼，很可

　　--能會錯分，造成散字和亂碼。

　　--例：

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

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

　　----如果encoding=8859_1，會有兩個字，但是encoding=gb2312只有一個字　　----

　　--這個問題在處理分頁是經常發生

　　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讀/寫InputStream/OutputStream

--一個reader的例子：

--檔案test.txt只有一個"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，則只有一個字元，如果encoding=8859_1，則有兩個字元

　　--------

--

--

　　

　　 ----

　2.我們要對Java的編譯器有所瞭解：

　--javac -encoding

　 我們常常沒有用到ENCODING這個引數。其實Encoding這個引數對於跨平臺的操作是很重要的。

　 如果沒有指定Encoding，則按照系統的預設Encoding,gb平臺上是gb2312，英文平臺上是ISO8859_1。　

　--Java的編譯器實際上是呼叫sun.tools.javac.Main的類，對檔案進行編譯，這個類　--

　有compile函式中間有一個encoding的變數,-encoding的引數其實直接傳給encoding變數。

　編譯器就是根據這個變數來讀取java檔案的，然後把用UTF-8形式編譯成class檔案。

　一個例子：

　--public void test()

　--{

　----String str="你";

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

　----write.write(str);

　----write.close();

　--}

　----例３

--如果用gb2312編譯，你會找到E4 BD A0的欄位

--

--如果用8859_1編譯，

--00C4 00E3的二進位制：

--00000000 11000100 00000000 11100011--

--因為每個字元都大於7位，因此用11位編碼：

--11000001 10000100 11000011 10100011

--C1-- 84--　C3--　 A3

--你會找到C1 84 C3 A3 --

　　　　

　　但是我們往往忽略掉這個引數，因此這樣往往會有跨平臺的問題：

　　--　　例３在中文平臺上編譯，生成ZhClass

　　--　　例３在英文平臺上編譯，輸出EnClass

　　--1.　 ZhClass在中文平臺上執行OK,但是在英文平臺上不行

　　--2.　 EnClass在英文平臺上執行OK,但是在中文平臺上不行

　　原因：

　--1.在中文平臺上編譯後，其實str在執行態的char[]是0x4F60,　----

　--在中文平臺上執行，FileWriter的預設編碼是gb2312,因此

　--CharToByteConverter會自動用呼叫gb2312的converter,把str轉化