一、字節和unicode

Java內核是unicode的，就連class文件也是，但是很多媒體，包括文件/流的保存方式是使用字節流的。因此Java要對這些字節流經行轉化。 char是unicode的，而byte是字節。Java中 byte/char互轉的函數在sun.io的包中間有。其中ByteToCharConverter類是中調度，可以用來告訴你，你用的 convertor。其中兩個很常用的靜態函數是： 

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。 

byte ——〉char： 
"你"的gb碼是：0xc4e3 ,unicode是0x4f60
String encoding = "gb2312";
byte b[] = {(byte)'\u00c4',(byte)'\u00e3'};
ByteToCharConverter converter = ByteToCharConverter.getConverter(encoding);
char c[] = converter.convertAll(b);
for (int i = 0; i < c.length; i++) {
System.out.println(Integer.toHexString(c[i]));
}
結果是什么？0x4f60
如果encoding ="8859_1"，結果又是什么？0x00c4,0x00e3



如果代碼改為： 

byte b[] = {(byte)'\u00c4',(byte)'\u00e3'};
ByteToCharConverter converter = ByteToCharConverter. getDefault();
char c[] = converter.convertAll(b);
for (int i = 0; i < c.length; i++) {
System.out.println(Integer.toHexString(c[i]));
}



結果將又是什么？ 

這就要根據平臺的編碼而定。 

char ——〉byte： 
String encoding = "gb2312";
char c[] = {'\u4f60'};
CharToByteConverter converter = CharToByteConverter.getConverter(encoding);
byte b[] = converter.convertAll(c);
for (int i = 0; i < b.length; i++) {
System.out.println(Integer.toHexString(b[i]));
}
結果是什么？0x00c4,0x00e3
如果encoding ="8859_1"，結果又是什么？0x3f 
如果代碼改為 
String encoding = "gb2312";
char c[] = {'\u4f60'};
CharToByteConverter converter = CharToByteConverter.getDefault();
byte b[] = converter.convertAll(c);
for (int i = 0; i < b.length; i++) {
System.out.println(Integer.toHexString(b[i]));
}



結果將又是什么？還是根據平臺的編碼而定。 

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持把encoding輸入，這給我們帶來諸多不便。很多程序難得用encoding了，直接用default的encoding，這就給我們移植帶來了很多困難。 

二、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 _ _ _ _ _ _



大多數情況是只使用到16位以下的unicode:

"你"的gb碼是：0xc4e3 ,unicode是0x4f60
0xc4e3的二進制： 
1100 ，0100 ，1110 ，0011



由于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"?"

0x4f60的二進制： 
0100 ，1111 ，0110 ，0000
我們用utf-8補齊，變成： 
1110 ，0100 ，1011 ，1101 ，1010 ，0000
e4--bd-- a0
于是返回：0xe4,0xbd,0xa0。 



三、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數組的長度，如果使用不同的編碼，很可能會錯分，造成散字和亂碼。例如： 

String encoding = “”;
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。 

四、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。例如： 

文件test.txt只有一個"你"字，0xc4,0xe3
String encoding = "gb2312";
InputStreamReader reader = new InputStreamReader(new FileInputStream(
"text.txt"), encoding);
char c[] = new char[10];
int length = reader.read(c);
for (int i = 0; i < length; i++) {
System.out.println(c[i]);
}



結果是什么？是"你"。如果encoding ="8859_1"，結果是什么？"??"兩個字符，表示不認識。反過來的例子自己做。

五、我們要對Java的編譯器有所了解： 

Javac ?encoding



我們常常沒有用到encoding這個參數。其實encoding這個參數對于跨平臺的操作是很重要的。如果沒有指定encoding，則按照系統的默認 encoding,gb平臺上是gb2312，英文平臺上是iso8859_1。Java的編譯器實際上是調用sun.tools.Javac.main 的類，對文件進行編譯，這個類有compile函數中間有一個encoding的變量,-encoding的參數其實直接傳給encoding變量。編譯器就是根據這個變量來讀取Java文件的，然后把用utf-8形式編譯成class文件。例子代碼： 

String str = "你";
FileWriter writer = new FileWriter("text.txt");
write.write(str);
writer.close();

如果用gb2312編譯，你會找到e4 bd a0的字段 ； 
如果用8859_1編譯， 00c4 00e3的二進制： 
0000，0000 ，1100，0100 ，0000，0000 ，1110，0011
因為每個字符都大于7位，因此用11位編碼： 
1100，0001，1000，0100，1100，0011，1010，0011
c1-- 84--　c3--　 a3
你會找到c1 84 c3 a3



但是我們往往忽略掉這個參數，因此這樣往往會有跨平臺的問題： 

樣例代碼在中文平臺上編譯，生成zhclass

樣例代碼在英文平臺上編譯，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 

原因是： 

(1) 在中文平臺上編譯后，其實str在運行態的char[]是0x4f60,　在中文平臺上運行，filewriter的缺省編碼是gb2312,因此 chartobyteconverter會自動用調用gb2312的converter,把str轉化成byte輸入到fileoutputstream 中，于是0xc4,0xe3放進了文件。但是如果是在英文平臺下，chartobyteconverter的缺省值是8859_1, filewriter會自動調用8859_1去轉化str,但是他無法解釋，因此他會輸出"?"

(2) 在英文平臺上編譯后，其實str在運行態的char[]是0x00c4 0x00e3, 在中文平臺上運行，中文無法識別，因此會出現??；在英文平臺上，0x00c4-->0xc4,0x00e3->0xe3，因此 0xc4,0xe3被放進了文件。 

六、其它原因： 

<%@ page contentType="text/html; charset=GBK" %>



設置瀏覽器的顯示編碼，如果response的數據是utf8編碼，顯示將是亂碼，但是亂碼和上述原因還不一樣。 

七、發生編碼的地方： 

1. 從數據庫到Java程序 byte——〉char 

2. 從Java程序到數據庫 char——〉byte 

3. 從文件到Java程序 byte——〉char 

4. 從Java程序到文件 char——〉byte 

5. 從Java程序到頁面顯示 char——〉byte 

6. 從頁面form提交數據到Java程序byte——〉char 

7. 從流到Java程序byte——〉char 

8. 從Java程序到流char——〉byte 

可以使用配置過濾器的方法解決中文亂碼的： 

<web-app>
<filter>
<filter-name>RequestFilter</filter-name>
<filter-class>net.golden.uirs.util.RequestFilter</filter-class>
<init-param>
<param-name>charset</param-name>
<param-value>gb2312</param-value>
</init-param>
</filter>
<filter-mapping>
<filter-name>RequestFilter</filter-name>
<url-pattern>*.Jsp</url-pattern>
</filter-mapping>
</web-app>


public void doFilter(ServletRequest req, ServletResponse res,
FilterChain fChain) throws IOException, ServletException {
HttpServletRequest request = (HttpServletRequest) req;
HttpServletResponse response = (HttpServletResponse) res;
HttpSession session = request.getSession();
String userId = (String) session.getAttribute("userid");
req.setCharacterEncoding(this.filterConfig.getInitParameter("charset"));
// 設置字符集？ 
//實際上是設置了byte ——〉char的encoding
try {
if (userId == null || userId.equals("")) {
if (!request.getRequestURL().toString().matches(
".*/uirs/logon/logon(Controller){0,1}\\x2EJsp$")) {
session.invalidate();
response.sendRedirect(request.getContextPath() +
"/uirs/logon/logon.Jsp");
}
}
else {
// 看看是否具有信息上報系統的權限 
if (!net.golden.uirs.util.UirsChecker.check(userId, "信息上報系統",
net.golden.uirs.util.UirsChecker.ACTION_DO)) {
if (!request.getRequestURL().toString().matches(
".*/uirs/logon/logon(Controller){0,1}\\x2EJsp$")) {
response.sendRedirect(request.getContextPath() +
"/uirs/logon/logonController.Jsp");
}
}
}
}
catch (Exception ex) {
response.sendRedirect(request.getContextPath() +"/uirs/logon/logon.Jsp");
}
fChain.doFilter(req, res);