Unicode、UTF－8 和 ISO8859-1和乱码问题

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 cec4',Unicode编码为'4e2d 6587',UTF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0x61=97。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。