三亚市住房和城乡建设局网站,工业设计网页,开发公司财务管理制度,阿里云服务器免费一、UTF-8和GBK编码方式
如果采用的是UTF-8的编码方式#xff0c;那么1个英文字母 占 1个字节#xff0c;1个中文占3个字节如果采用GBK的编码方式#xff0c;那么1个英文字母 占 1个字节#xff0c;1个中文占2个字节 二、idea和eclipse的默认编码方式
其实idea和eclipse的…一、UTF-8和GBK编码方式
如果采用的是UTF-8的编码方式那么1个英文字母 占 1个字节1个中文占3个字节如果采用GBK的编码方式那么1个英文字母 占 1个字节1个中文占2个字节 二、idea和eclipse的默认编码方式
其实idea和eclipse的默认编码方式是不一样的哦。
idea默认的编码方式是UTF-8 eclipse默认采用的编码方式是GBK 三、解码和编码方法
1、java中编码的方法
public byte[] getBytes() 使用默认的编码方式进行编码public byte[] getBytes(Charset charset) 使用指定方式进行编码
2、java中解码的方法
public String(byte bytes[]) 使用默认的方式进行解码public String(byte bytes[], String charsetName) 使用指的方式进行解码 四、代码实现
以下代码demo均采用idea开发哦 编码
1、使用默认的编码方式进行编码看下面这段代码请猜一猜数组中的元素有几个 1 2 3 4 5 6 7 8 9 10 11 package com.heima.demo; import java.util.Arrays; public class TestDemo { public static void main(String[] args) { String str dk你好; byte[] bytes str.getBytes(); System.out.println(Arrays.toString(bytes)); } }
你答对了吗数组中一共有8个元素因为idea默认采用的编码方式是utf-8如果采用的是UTF-8的编码方式那么1个英文字母 占 1个字节1个中文占3个字节。我们看一下运行结果 [100, 107, -28, -67, -96, -27, -91, -67] Process finished with exit code 0 如果使用指定的编码方式GBK进行编码呢我们看一下代码 1 2 3 4 5 6 7 public class TestDemo { public static void main(String[] args) throws UnsupportedEncodingException { String str dk你好; byte[] bytes str.getBytes(gbk); System.out.println(Arrays.toString(bytes)); } }
答案是数组元素一共有6个因为采用的是GBK编码方式那么1个英文字母 占 1个字节1个中文占2个字节。
我们看一下运行结果 [100, 107, -60, -29, -70, -61] Process finished with exit code 0 解码
1、使用默认的方式进行解码 1 2 3 4 5 6 7 8 9 10 11 12 package com.heima.demo; import java.io.UnsupportedEncodingException; public class TestDemo { public static void main(String[] args) throws UnsupportedEncodingException { String str dk你好; byte[] byte1 str.getBytes(); String res1 new String(byte1); System.out.println(res1); } }
运行结果如下 dk你好 Process finished with exit code 0 如果给他加上指定编码方式呢 1 2 3 4 5 6 7 8 9 10 11 12 package com.heima.demo; import java.io.UnsupportedEncodingException; public class TestDemo { public static void main(String[] args) throws UnsupportedEncodingException { String str dk你好; byte[] byte1 str.getBytes(); String res1 new String(byte1,gbk); System.out.println(res1); } }
运行结果 dk浣犲ソ Process finished with exit code 0 我们发现有乱码产生。那为什么呢因为编码的时候采用的是默认的utf-8方式所以解码的时候也需要使用utf-8进行解码如果使用gbk就会产生乱码。因为utf-8和gbk对中文所占的字节数是不一样的。
如果采用的是UTF-8的编码方式那么1个英文字母 占 1个字节1个中文占3个字节如果采用GBK的编码方式那么1个英文字母 占 1个字节1个中文占2个字节 五、额外知识扩展
1、什么是字符集字符集顾名思义就是用来装多个字符的集合。不同的字符集中字符的个数是不同的包含的字符也是不同的甚至对于字符的编码格式也是不同的。
2、什么是字符编码计算机中存储信息都是以二进制数表示的而我们在电脑屏幕上看到的文字、数字、英文、标点符号等都是将二进制数转换过后的结果按照某种规则将计算机中的二进制数与某个抽象字符集合一一对应这就是字符编码。
3、ASCII字符集ASCII 全称 American Standard Code for Information Interchange美国信息交换标准代码它是基于拉丁字母的一套电脑编码系统其最初在创建的时候主要是为了显示英语以及一些西欧语言是国际通用的信息交换使用标准码。ASCII使用了7位二进制来表示128个字符和符号目前已经停止更新。
4、Unicode字符集ASCII字符集只包含了128个字符对于全世界的所有语言来说并不能容纳下世界上所有的语言。所以Unicode字符集出现了。 Unicode又被称为统一码、万国码是国际组织制定的用来容纳全世界字符的编码方案。是的确切的说Unicode是一种编码方案以实现跨语言、跨平台的文本处理、转换的要求。
但是Unicode只是一种字符与二进制数之间的一种逻辑映射编码它并没有指定在计算集中应该如何的进行存储。所以此时就需要一种编码格式用来指定Unicode字符集中的字符是如何进行编码的。
在Unicode官方资料中Unicode编码方式有三种UTF-8、UTF-16、UTF-32而其中UTF-8编码成为了现今互联网使用较多的编码方式。
5、GB2312GB2312编码是第一个汉字编码国家标准于1980年由中国国家标准总局发布。其中共收录了汉字6763个。但是由于我国的汉字非常多GB2312收录的汉字不够用了所以GBK诞生了。GBK包含了GB2312的所有内容的同时还新增了20000多新的汉字对于一些日常需求已经为完全够用了。 总结
到此这篇关于java中解码和编码出现乱码说明以及代码实现的文章就介绍到这了,更多相关java解码和编码乱码内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家 简单描述 1、get方式乱码tomcat 的server.xml 中加 URIEncodingUTF-8 2、post方式乱码使用过滤器即可解决 3、log4j在linux下显示乱码解决方法 log4j配置文件中加一句话即可解决log4j.appender.logfile.encodingUTF-8 字符集的详细分解 1. 概述 本文主要包括以下几个方面编码基本知识java系统软件url工具软件等。 在下面的描述中将以中文两个字为例经查表可以知道其GB2312编码是d6d0 cec4Unicode编码为4e2d 6587UTF编码就是e4b8ad e69687。注意这两个字没有iso8859-1编码但可以用iso8859-1编码来表示。 2. 编码基本知识 最早的编码是iso8859-1和ascii编码相似。但为了方便表示各种各样的语言逐渐出现了很多标准编码重要的有如下几个。 2.1. iso8859-1 属于单字节编码最多能表示的字符范围是0-255应用于英文系列。比如字母a的编码为0x6197。 很明显iso8859-1编码表示的字符范围很窄无法表示中文字符。但是由于是单字节编码和计算机最基础的表示单位一致所以很多时候仍旧使用iso8859-1编码来表示。而且在很多协议上默认使用该编码。比如虽然中文两个字不存在iso8859-1编码以gb2312编码为例应该是d6d0 cec4两个字符使用iso8859-1编码的时候则将它拆开为4个字节来表示d6 d0 ce c4事实上在进行存储的时候也是以字节为单位处理的。而如果是UTF编码则是6个字节e4 b8 ad e6 96 87。很明显这种表示方法还需要以另一种编码为基础。 2.2. GB2312/GBK 这就是汉子的国标码专门用来表示汉字是双字节编码而英文字母和iso8859-1一致兼容iso8859-1编码。其中gbk编码能够用来同时表示繁体字和简体字而gb2312只能表示简体字gbk是兼容gb2312编码的。 2.3. unicode 这是最统一的编码可以用来表示所有语言的字符而且是定长双字节也有四字节的编码包括英文字母在内。所以可以说它是不兼容iso8859-1编码的也不兼容任何编码。不过相对于iso8859-1编码来说uniocode编码只是在前面增加了一个0字节比如字母a为00 61。 需要说明的是定长编码便于计算机处理注意GB2312/GBK不是定长编码而unicode又可以用来表示所有字符所以在很多软件内部是使用unicode编码来处理的比如java。 2.4. UTF 考虑到unicode编码不兼容iso8859-1编码而且容易占用更多的空间因为对于英文字母unicode也需要两个字节来表示。所以unicode不便于传输和存储。因此而产生了utf编码utf编码兼容iso8859-1编码同时也可以用来表示所有语言的字符不过utf编码是不定长编码每一个字符的长度从1-6个字节不等。另外utf编码自带简单的校验功能。一般来讲英文字母都是用一个字节表示而汉字使用三个字节。 注意虽然说utf是为了使用更少的空间而使用的但那只是相对于unicode编码来说如果已经知道是汉字则使用GB2312/GBK无疑是最节省的。不过另一方面值得说明的是虽然utf编码对汉字使用3个字节但即使对于汉字网页utf编码也会比unicode编码节省因为网页中包含了很多的英文字符。 3. java对字符的处理 在java应用软件中会有多处涉及到字符集编码有些地方需要进行正确的设置有些地方需要进行一定程度的处理。 3.1. getBytes(charset) 这是java字符串处理的一个标准函数其作用是将字符串所表示的字符按照charset编码并以字节方式表示。注意字符串在java内存中总是按unicode编码存储的。比如中文正常情况下即没有错误的时候存储为4e2d 6587如果charset为gbk则被编码为d6d0 cec4然后返回字节d6 d0 ce c4。如果charset为utf8则最后是e4 b8 ad e6 96 87。如果是iso8859-1则由于无法编码最后返回 3f 3f两个问号。 3.2. new String(charset) 这是java字符串处理的另一个标准函数和上一个函数的作用相反将字节数组按照charset编码进行组合识别最后转换为unicode存储。参考上述getBytes的例子gbk 和utf8都可以得出正确的结果4e2d 6587但iso8859-1最后变成了003f 003f两个问号。 因为utf8可以用来表示/编码所有字符所以new String( str.getBytes( utf8 ), utf8 ) str即完全可逆。 3.3. setCharacterEncoding() 该函数用来设置http请求或者相应的编码。 对于request是指提交内容的编码指定后可以通过getParameter()则直接获得正确的字符串如果不指定则默认使用iso8859-1编码需要进一步处理。参见下述表单输入。值得注意的是在执行setCharacterEncoding()之前不能执行任何getParameter()。java doc上说明This method must be called prior to reading request parameters or reading input using getReader()。而且该指定只对POST方法有效对GET方法无效。分析原因应该是在执行第一个getParameter()的时候java将会按照编码分析所有的提交内容而后续的getParameter()不再进行分析所以setCharacterEncoding()无效。而对于GET方法提交表单是提交的内容在URL中一开始就已经按照编码分析所有的提交内容setCharacterEncoding()自然就无效。 对于response则是指定输出内容的编码同时该设置会传递给浏览器告诉浏览器输出内容所采用的编码。 3.4. 处理过程 下面分析两个有代表性的例子说明java对编码有关问题的处理方法。 3.4.1. 表单输入 User input *(gbk:d6d0 cec4) browser *(gbk:d6d0 cec4) web server iso8859-1(00d6 00d 000ce 00c4) class需要在class中进行处理getbytes(iso8859-1)为d6 d0 ce c4new String(gbk)为d6d0 cec4内存中以unicode编码则为4e2d 6587。 l 用户输入的编码方式和页面指定的编码有关也和用户的操作系统有关所以是不确定的上例以gbk为例。 l 从browser到web server可以在表单中指定提交内容时使用的字符集否则会使用页面指定的编码。而如果在url中直接用?的方式输入参数则其编码往往是操作系统本身的编码因为这时和页面无关。上述仍旧以gbk编码为例。 l Web server接收到的是字节流默认时getParameter会以iso8859-1编码处理之结果是不正确的所以需要进行处理。但如果预先设置了编码通过request. setCharacterEncoding ()则能够直接获取到正确的结果。 l 在页面中指定编码是个好习惯否则可能失去控制无法指定正确的编码。 3.4.2. 文件编译 假设文件是gbk编码保存的而编译有两种编码选择gbk或者iso8859-1前者是中文windows的默认编码后者是linux的默认编码当然也可以在编译时指定编码。 Jsp *(gbk:d6d0 cec4) java file *(gbk:d6d0 cec4) compiler read uincode(gbk: 4e2d 6587; iso8859-1: 00d6 00d 000ce 00c4) compiler write utf(gbk: e4b8ad e69687; iso8859-1: *) compiled file unicode(gbk: 4e2d 6587; iso8859-1: 00d6 00d 000ce 00c4) class。所以用gbk编码保存而用iso8859-1编译的结果是不正确的。 class unicode(4e2d 6587) system.out / jsp.out gbk(d6d0 cec4) os console / browser。 l 文件可以以多种编码方式保存中文windows下默认为ansi/gbk。 l 编译器读取文件时需要得到文件的编码如果未指定则使用系统默认编码。一般class文件是以系统默认编码保存的所以编译不会出问题但对于jsp文件如果在中文windows下编辑保存而部署在英文linux下运行/编译则会出现问题。所以需要在jsp文件中用pageEncoding指定编码。 l Java编译的时候会转换成统一的unicode编码处理最后保存的时候再转换为utf编码。 l 当系统输出字符的时候会按指定编码输出对于中文windows下System.out将使用gbk编码而对于response浏览器则使用jsp文件头指定的contentType或者可以直接为response指定编码。同时会告诉browser网页的编码。如果未指定则会使用iso8859-1编码。对于中文应该为browser指定输出字符串的编码。 l browser显示网页的时候首先使用response中指定的编码jsp文件头指定的contentType最终也反映在response上如果未指定则会使用网页中meta项指定中的contentType。 3.5. 几处设置 对于web应用程序和编码有关的设置或者函数如下。 3.5.1. jsp编译 指定文件的存储编码很明显该设置应该置于文件的开头。例如%page pageEncodingGBK%。另外对于一般class文件可以在编译的时候指定编码。 3.5.2. jsp输出 指定文件输出到browser是使用的编码该设置也应该置于文件的开头。例如% page contentTypetext/html; charset GBK %。该设置和response.setCharacterEncoding(GBK)等效。 3.5.3. meta设置 指定网页使用的编码该设置对静态网页尤其有作用。因为静态网页无法采用jsp的设置而且也无法执行response.setCharacterEncoding()。例如META http-equivContent-Type contenttext/html; charsetGBK / 如果同时采用了jsp输出和meta设置两种编码指定方式则jsp指定的优先。因为jsp指定的直接体现在response中。 需要注意的是apache有一个设置可以给无编码指定的网页指定编码该指定等同于jsp的编码指定方式所以会覆盖静态网页中的meta指定。所以有人建议关闭该设置。 3.5.4. form设置 当浏览器提交表单的时候可以指定相应的编码。例如form accept-charset gb2312。一般不必不使用该设置浏览器会直接使用网页的编码。 4. 系统软件 下面讨论几个相关的系统软件。 4.1. mysql数据库 很明显要支持多语言应该将数据库的编码设置成utf或者unicode而utf更适合与存储。但是如果中文数据中包含的英文字母很少其实unicode更为适合。 数据库的编码可以通过mysql的配置文件设置例如default-character-setutf8。还可以在数据库链接URL中设置例如 useUnicodetruecharacterEncodingUTF-8。注意这两者应该保持一致在新的sql版本里在数据库链接URL里可以不进行设置但也不能是错误的设置。 4.2. apache appache和编码有关的配置在httpd.conf中例如AddDefaultCharset UTF-8。如前所述该功能会将所有静态页面的编码设置为UTF-8最好关闭该功能。 另外apache还有单独的模块来处理网页响应头其中也可能对编码进行设置。 4.3. linux默认编码 这里所说的linux默认编码是指运行时的环境变量。两个重要的环境变量是LC_ALL和LANG默认编码会影响到java URLEncode的行为下面有描述。 建议都设置为zh_CN.UTF-8。 4.4. 其它 为了支持中文文件名linux在加载磁盘时应该指定字符集例如mount /dev/hda5 /mnt/hda5/ -t ntfs -o iocharsetgb2312。 另外如前所述使用GET方法提交的信息不支持request.setCharacterEncoding()但可以通过tomcat的配置文件指定字符集在tomcat的server.xml文件中形如Connector ... URIEncodingGBK/。这种方法将统一设置所有请求而不能针对具体页面进行设置也不一定和browser使用的编码相同所以有时候并不是所期望的。 5. URL地址 URL地址中含有中文字符是很麻烦的前面描述过使用GET方法提交表单的情况使用GET方法时参数就是包含在URL中。 5.1. URL编码 对于URL中的一些特殊字符浏览器会自动进行编码。这些字符除了/?等外还包括unicode字符比如汉子。这时的编码比较特殊。 IE有一个选项总是使用UTF-8发送URL当该选项有效时IE将会对特殊字符进行UTF-8编码同时进行URL编码。如果改选项无效则使用默认编码GBK并且不进行URL编码。但是对于URL后面的参数则总是不进行编码相当于UTF-8选项无效。比如中文.html?a中文当UTF-8选项有效时将发送链接%e4%b8%ad%e6%96%87.html?a\x4e\x2d\x65\x87而UTF-8选项无效时将发送链接\x4e\x2d\x65\x87.html?a\x4e\x2d\x65\x87。注意后者前面的中文两个字只有4个字节而前者却有18个字节这主要时URL编码的原因。 当web servertomcat接收到该链接时将会进行URL解码即去掉%同时按照ISO8859-1编码上面已经描述可以使用URLEncoding来设置成其它编码识别。上述例子的结果分别是\ue4\ub8\uad\ue6\u96\u87.html?a\u4e\u2d\u65\u87和\u4e\u2d\u65\u87.html?a\u4e\u2d\u65\u87注意前者前面的中文两个字恢复成了6个字符。这里用\u表示是unicode。 所以由于客户端设置的不同相同的链接在服务器上得到了不同结果。这个问题不少人都遇到却没有很好的解决办法。所以有的网站会建议用户尝试关闭UTF-8选项。不过下面会描述一个更好的处理办法。 5.2. rewrite 熟悉的人都知道apache有一个功能强大的rewrite模块这里不描述其功能。需要说明的是该模块会自动将URL解码去除%即完成上述web servertomcat的部分功能。有相关文档介绍说可以使用[NE]参数来关闭该功能但我试验并未成功可能是因为版本我使用的是apache 2.0.54问题。另外当参数中含有? 等符号的时候该功能将导致系统得不到正常结果。 rewrite本身似乎完全是采用字节处理的方式而不考虑字符串的编码所以不会带来编码问题。 5.3. URLEncode.encode() 这是Java本身提供对的URL编码函数完成的工作和上述UTF-8选项有效时浏览器所做的工作相似。值得说明的是java已经不赞成不指定编码来使用该方法deprecated。应该在使用的时候增加编码指定。 当不指定编码的时候该方法使用系统默认编码这会导致软件运行结果得不确定。比如对于中文当系统默认编码为gb2312时结果是%4e%2d%65%87而默认编码为UTF-8结果却是%e4%b8%ad%e6%96%87后续程序将难以处理。另外这儿说的系统默认编码是由运行tomcat时的环境变量LC_ALL和LANG等决定的曾经出现过tomcat重启后就出现乱码的问题最后才郁闷的发现是因为修改修改了这两个环境变量。 建议统一指定为UTF-8编码可能需要修改相应的程序。 5.4. 一个解决方案 上面说起过因为浏览器设置的不同对于同一个链接web server收到的是不同内容而软件系统有无法知道这中间的区别所以这一协议目前还存在缺陷。 针对具体问题不应该侥幸认为所有客户的IE设置都是UTF-8有效的也不应该粗暴的建议用户修改IE设置要知道用户不可能去记住每一个web server的设置。所以接下来的解决办法就只能是让自己的程序多一点智能根据内容来分析编码是否UTF-8。 比较幸运的是UTF-8编码相当有规律所以可以通过分析传输过来的链接内容来判断是否是正确的UTF-8字符如果是则以UTF-8处理之如果不是则使用客户默认编码比如GBK下面是一个判断是否UTF-8的例子如果你了解相应规律就容易理解。 public static boolean isValidUtf8(byte[] b,int aMaxCount){ int lLenb.length,lCharCount0; for(int i0;ilLen lCharCountaMaxCount;lCharCount){ byte lByteb[i];//to fast operation, now, ready for the following for(;;) if(lByte0) continue;//0 is normal ascii if(lByte(byte)0xc0 || lByte(byte)0xfd) return false; int lCountlByte(byte)0xfc?5:lByte(byte)0xf8?4 :lByte(byte)0xf0?3:lByte(byte)0xe0?2:1; if(ilCountlLen) return false; for(int j0;jlCount;j,i) if(b[i](byte)0xc0) return false; } return true; } 相应地一个使用上述方法的例子如下 public static String getUrlParam(String aStr,String aDefaultCharset) throws UnsupportedEncodingException{ if(aStrnull) return null; byte[] lBytesaStr.getBytes(ISO-8859-1); return new String(lBytes,StringUtil.isValidUtf8(lBytes)?utf8:aDefaultCharset); } 不过该方法也存在缺陷如下两方面 l 没有包括对用户默认编码的识别这可以根据请求信息的语言来判断但不一定正确因为我们有时候也会输入一些韩文或者其他文字。 l 可能会错误判断UTF-8字符一个例子是学习两个字其GBK编码是 \xd1\xa7\xcf\xb0如果使用上述isValidUtf8方法判断将返回true。可以考虑使用更严格的判断方法不过估计效果不大。 有一个例子可以证明google也遇到了上述问题而且也采用了和上述相似的处理方法比如如果在地址栏中输入http://www.google.com/search?hlzh-CNnewwindow1q学习google将无法正确识别而其他汉字一般能够正常识别。 最后应该补充说明一下如果不使用rewrite规则或者通过表单提交数据其实并不一定会遇到上述问题因为这时可以在提交数据时指定希望的编码。另外中文文件名确实会带来问题应该谨慎使用。 6. 其它 下面描述一些和编码有关的其他问题。 6.1. SecureCRT 除了浏览器和控制台与编码有关外一些客户端也很有关系。比如在使用SecureCRT连接linux时应该让SecureCRT的显示编码不同的session可以有不同的编码设置和linux的编码环境变量保持一致。否则看到的一些帮助信息就可能是乱码。 另外mysql有自己的编码设置也应该保持和SecureCRT的显示编码一致。否则通过SecureCRT执行sql语句的时候可能无法处理中文字符查询结果也会出现乱码。 对于Utf-8文件很多编辑器比如记事本会在文件开头增加三个不可见的标志字节如果作为mysql的输入文件则必须要去掉这三个字符。用linux的vi保存可以去掉这三个字符。一个有趣的现象是在中文windows下创建一个新txt文件用记事本打开输入连通两个字保存再打开你会发现两个字没了只留下一个小黑点。 6.2. 过滤器 如果需要统一设置编码则通过filter进行设置是个不错的选择。在filter class中可以统一为需要的请求或者回应设置编码。参加上述setCharacterEncoding()。这个类apache已经给出了可以直接使用的例子SetCharacterEncodingFilter。 6.3. POST和GET 很明显以POST提交信息时URL有更好的可读性而且可以方便的使用setCharacterEncoding()来处理字符集问题。但GET方法形成的URL能够更容易表达网页的实际内容也能够用于收藏。 从统一的角度考虑问题建议采用GET方法这要求在程序中获得参数是进行特殊处理而无法使用setCharacterEncoding()的便利如果不考虑rewrite就不存在IE的UTF-8问题可以考虑通过设置URIEncoding来方便获取URL中的参数。 6.4. 简繁体编码转换 GBK同时包含简体和繁体编码也就是说同一个字由于编码不同在GBK编码下属于两个字。有时候为了正确取得完整的结果应该将繁体和简体进行统一。可以考虑将UTF、GBK中的所有繁体字转换为相应的简体字BIG5编码的数据也应该转化成相应的简体字。当然仍旧以UTF编码存储。 例如对于语言 ?言用UTF表示为\xE8\xAF\xAD\xE8\xA8\x80 \xE8\xAA\x9E\xE8\xA8\x80进行简繁体编码转换后应该是两个相同的 \xE8\xAF\xAD\xE8\xA8\x80。
