剖析JSP和Servlet对中文的处理（1）

　Java程序员都曾遇到过这样的问题：输入的中文不能正确显示在界面上，保存在数据库中的也是一堆乱码，或者数据库或数据文件中存放的是正确的中文，可是在Java程序中看到的却是一大串的“？”。
　　这就是通常所说的“中文问题”。
　　Java中与中文相关的编码
　　在JDK中，提供了对大多数常用语言的支持。在解决“中文问题”时，表1中的编码是最常用，或者就是最有关系的。
　　表1　JDK中与中文相关的编码列表
　　　
　　在实际编程时，接触得比较多的是GB2312（GBK）和ISO8859-1。
　　注：UTF是Unicode Transformation Format的缩写，意为Unicode转换格式。可以这么描述JAVA程序中Unicode与UTF的关系，虽然不绝对。字符串在内存中运行时，表现为Unicode代码，而当要保存到文件或其它介质中去时，用的是UTF。这个转化过程是由writeUTF和readUTF来完成得。
　　Servlet/JSP对中文的处理过程
　　总体流程
　　把问题想成是一个黑匣子。先看黑匣子的一级表示（如图1所示）：
　　　
　　图1 IPO模型
　　这就是一个IPO模型，即输入、处理和输出。同样的内容要经过“从charsetA到Unicode再到charsetB”的转化。
　　再看二级表示（如图2所示）：
　　　
　　图2 JSP、Java输出模型
　　在这个图中，输入的是JSP和Java源文件。在处理过程中，以Class文件为载体，然后输出。再细化到三级（如图3所示）：
　　　
　　图3 IPO模型
　　JSP文件先生成中间的Java文件，再生成Class。而Servlet和普通App则直接编译生成Class,然后，从Class再输出到浏览器、控制台或数据库等。
　　JSP：从源文件到Class的过程
　　
　　JSP源文件是以“.jsp”结尾的文本文件。在本节中，将阐述JSP文件的解释和编译过程，并跟踪其中中文内容的变化。
　　
　　一般地，JSP源文件经过如下步骤后变成可被引擎执行的Class文件：
　　
　　1. JSP/Servlet引擎提供的JSP转换工具（JSPC）搜索JSP文件中用<%@ page contentType ="text/html; charset="%>中指定的charset。如果在JSP文件中未指定，则默认为ISO8859-1(或者说是Latin-1)。
　　
　　2. JSPC用相当于“Javac -encoding ”解释JSP文件中出现的所有字符，包括中文字符和ASCII字符。然后把这些字符转换成Unicode字符，再转化成UTF格式，存为Java文件。ASCII码字符转化为Unicode字符时只是简单地在前面加“00”，如“A”，转化为“\u0041”。然后，经过了UTF的转换，又变回“41”了。这也就是可以使用普通文本编辑器查看由JSP生成的Java文件的原因。
　　
　　3. 引擎用相当于“Javac -encoding UTF-8”的命令，把Java文件编译成Class文件。
　　
　　先看一下这些过程中中文字符的转换情况。有如下源代码：
　　
　　<%@ page contentType="text/html; charset=gb2312"%>
　　
　　<%
　　String a="中文";
　　out.println(a);
　　%>
　　
　　这段代码是在UltraEdit for Windows上编写的。保存后，“中文”两个字的16进制编码为“D6 D0 CE C4”（GB2312编码）。经查表，“中文”两字的Unicode编码为“\u4E2D\u6587”，用 UTF表示就是“E4 B8 AD E6 96 87”。打开引擎生成的由JSP文件转变成的Java文件，发现其中的“中文”两个字的位置确实被“E4 B8 AD E6 96 87”替代了，再查看由Java文件编译生成的Class文件，发现结果与Java文件中的完全一样，也是“E4 B8 AD E6 96 87”。
　　再看JSP中指定的CharSet为ISO-8859-1的情况：
　　<%@ page contentType="text/html; charset=ISO-8859-1"%>
　　
　　<%
　　String a="中文";
　　out.println(a);
　　%>
　　
　　同样，该文件是用UltraEdit编写的。“中文”这两个字也是存为GB2312编码“D6 D0 CE C4”。先模拟一下生成的Java文件和Class文件的过程：JSPC用ISO-8859-1来解释“中文”，并把它映射到Unicode。由于ISO-8859-1是8位的，且是拉丁语系，其映射规则就是在每个字节前加“00”。所以，映射后的Unicode编码应为“\u00D6\u00D0\ u00CE\u00C4”，转化成UTF后应该是“C3 96 C3 90 C3 8E C3 84”。好，打开文件Java文件和CLASS文件，“中文”两个字的位置果然都表示为“C3 96 C3 90 C3 8E C3 84”。
　　如果上述代码中不指定，即把第一行写成“<%@ page contentType="text/html" %>”，JSPC会使用默认的“ISO8859-1”来解释JSP文件。
　　到现在为止，已经解释了从JSP文件到Class文件的转变过程中中文字符的映射过程。一句话，从“Jsp-CharSet到Unicode再到UTF”。表2总结了这个过程：
　　表2　“中文”从JSP到Class的转化过程
　　　
　　Servlet：从源文件到Class的过程
　　
　　Servlet源文件是以“.Java”结尾的文本文件。我们将讨论Servlet的编译过程并跟踪其中的中文变化。
　　
　　用“Javac”编译Servlet源文件。Javac可以带“-encoding ”参数，意思是“用< Compile-charset >中指定的编码来解释Serlvet源文件”。
　　源文件在编译时，用来解释所有字符，包括中文字符和ASCII字符。然后把字符常量转变成Unicode字符。最后，把Unicode转变成UTF。
　　在Servlet中，还有一个地方设置输出流的CharSet。通常在输出结果前，调用HttpServletResponse的setContent Type方法来达到与在JSP中设置一样的效果，称之为。
　　注意：文中一共提到了三个变量：、和。其中，JSP文件只与有关，而和只与Servlet有关。
　　看下例：
　　import Javax.servlet.*;
　　import Javax.servlet.http.*;
　　Class testServlet extends HttpServlet
　　{
　　public void doGet(HttpServletRequest req,HttpServletResponse resp)
　　throws ServletException,Java.io.IOException
　　{
　　resp.setContentType("text/html; charset=GB2312");
　　Java.io.PrintWriter out=resp.getWriter();
　　out.println("");
　　out.println("#中文#");
　　out.println("");
　　}
　　}
　　该文件也是用UltraEdit for Windows编写的，其中的“中文”两个字保存为字节流“D6 D0 CE C4”（GB2312编码）。
　　开始编译。表3是不同时，Class文件中“中文”两字的十六进制码。在编译过程中，不起任何作用。只对Class文件的输出产生影响，可以说和一起，达到与JSP文件中的相同的效果，因为对编译过程和Class文件的输出都会产生影响。
　　表3　“中文”从Servlet源文件到Class的转变过程
　　　
　　注意：普通Java程序的编译过程与Servlet完全一样。
　　截止现在，从JSP或Servlet的源文件到Class文件的过程中中文内容的蜕变历程是不是昭然若揭了？OK，接下来看看Class文件中的中文又是怎样被输出的呢？
　　
　　Class：输出字符串
　　
　　Class文件是Java程序的一种存储载体。当Class文件被虚拟机执行时，通过readUTF把Class文件中的内容读入内存中。字符串在内存中表示为Unicode编码。当要把内存中的内容输出到别的程序或是外围设备(如终端)上去时，问题就来了(为了简单起见，把“别的程序或外围设备”称之为“输出对象”)。
　　
　　1.如果输出对象能处理Unicode字符，则一切都很简单，只要把Unicode字符直接传给输出对象即可。
　　
　　2.事实是，大多数输出对象不能直接处理Unicode，它们只能处理ISO8859-1和GB2312等。在往输出对象输出字符串时，需要做一定的转换才行。
　　
　　看看下面的例子，给定一个有四个字符的Unicode字符串“00D6 00D0 00CE 00C4”，如果输出到只能识别“ISO8859-1”的程序中去，则直接去掉前面的“00”即可得到目的字符串“D6 D0 CE C4”。假如把它们输出到GB2312的程序中去，得到的结果很可能是一大堆乱码。因为在GB2312中可能没有（也有可能有）字符与00D6等字符对应（如果对应不上，将得到0x3f，也就是问号，如果对应上了，由于00D6等字符太靠前，估计也是一些特殊符号，真正的汉字在Unicode中的编码从4E00开始）。
　　
　　同样的Unicode字符，输出到不同编码的对象中去时，结果是不同的。当然，这其中有一种是我们期望的结果。对于能处理中文的输出对象而言，自然希望输入的内容(也就是Java程序输出的内容)是基于GB2312编码有意义的中文字符串。
　　
　　以上例而论，“D6 D0 CE C4”应该是我们所想要的。当把“D6 D0 CE C4”输出到IE中时，用“简体中文”方式查看，就能看到清楚的“中文”两个字了。
　　
　　得出如下结论：
　　
　　Java程序在输出字符串前，必须先把Unicode的字符串按照某一种内码重新生成字节流，然后把字节流输出给“输出对象”，相当于进行了一步“String.getBytes(???)”操作，其中???代表一种字符集的名字。
　　

查看本文来源