JAVA中文字符编码问题详解
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。 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： 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： 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： <% 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： 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： <% 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
为设置
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
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
