世界上的各地区都有本地的语言。地区差异直接导致了语言环境的差异。在开发一个国际化程序的过程中,处理语言问题就显得很重要了。
这是一个世界范围内都存在的问题,所以,java提供了世界性的解决方法。本文描述的方法是用于处理中文的,但是,推而广之,对于处理世界上其它国家和地区的语言同样适用。
汉字是双字节的。所谓双字节是指一个双字要占用两个byte的位置(即16位),分别称为高位和低位。中国规定的汉字编码为gb2312,这是强制性的,目前几乎所有的能处理中文的应用程序都支持gb2312。gb2312包括了一二级汉字和9区符号,高位从0xa1到0xfe,低位也是从0xa1到0xfe,其中,汉字的编码范围为0xb0a1到0xf7fe。
另外有一种编码,叫做gbk,但这是一份规范,不是强制的。gbk提供了20902个汉字,它兼容gb2312,编码范围为0x8140到0xfefe。gbk中的所有字符都可以一一映射到unicode 2.0。
在不久的将来,中国会颁布另一种标准:gb18030-2000(gbk2k)。它收录了藏、蒙等少数民族的字型,从根本上解决了字位不足的问题。注意:它不再是定长的。其二字节部份与gbk兼容,四字节部分是扩充的字符、字形。它的首字节和第三字节从0x81到0xfe,二字节和第四字节从0x30到0x39。
本文不打算介绍unicode,有兴趣的可以浏览“http://www.unicode.org/”查看更多的信息。unicode有一个特性:它包括了世界上所有的字符字形。所以,各个地区的语言都可以建立与unicode的映射关系,而java正是利用了这一点以达到异种语言之间的转换。
在jdk中,与中文相关的编码有:
表1 jdk中与中文相关的编码列表
编码名称 | 说明 |
ascii | 7位,与ascii7相同 |
iso8859-1 | 8-位,与 8859_1,iso-8859-1,iso_8859-1,latin1...等相同 |
gb2312-80 | 16位,与gb2312,gb2312-1980,euc_cn,euccn,1381,cp1381, 1383, cp1383, iso2022cn,iso2022cn_gb...等相同 |
gbk | 与ms936相同,注意:区分大小写 |
utf8 | 与utf-8相同 |
gb18030 | 与cp1392、1392相同,目前支持的jdk很少 |
在实际编程时,接触得比较多的是gb2312(gbk)和iso8859-1。
为什么会有“?”号
上文说过,异种语言之间的转换是通过unicode来完成的。假设有两种不同的语言a和b,转换的步骤为:先把a转化为unicode,再把unicode转化为b。
举例说明。有gb2312中有一个汉字“李”,其编码为“c0ee”,欲转化为iso8859-1编码。步骤为:先把“李”字转化为unicode,得到“674e”,再把“674e”转化为iso8859-1字符。当然,这个映射不会成功,因为iso8859-1中根本就没有与“674e”对应的字符。
当映射不成功时,问题就发生了!当从某语言向unicode转化时,如果在某语言中没有该字符,得到的将是unicode的代码“\uffffd”(“\u”表示是unicode编码,)。而从unicode向某语言转化时,如果某语言没有对应的字符,则得到的是“0x3f”(“?”)。这就是“?”的由来。
例如:把字符流buf =“0x80 0x40 0xb0 0xa1”进行new string(buf, "gb2312")操作,得到的结果是“\ufffd\u554a”,再println出来,得到的结果将是“?啊”,因为“0x80 0x40”是gbk中的字符,在gb2312中没有。
再如,把字符串string="\u00d6\u00ec\u00e9\u0046\u00bb\u00f9"进行new string (buf.getbytes("gbk"))操作,得到的结果是“3fa8aca8a6463fa8b4”,其中,“\u00d6”在“gbk”中没有对应的字符,得到“3f”,“\u00ec”对应着“a8ac”,“\u00e9”对应着“a8a6”,“0046”对应着“46”(因为这是ascii字符),“\u00bb”没找到,得到“3f”,最后,“\u00f9”对应着“a8b4”。把这个字符串println一下,得到的结果是“?ìéf?ù”。看到没?这里并不全是问号,因为gbk与unicode映射的内容中除了汉字外还有字符,本例就是最好的明证。
所以,在汉字转码时,如果发生错乱,得到的不一定都是问号噢!不过,错了终究是错了,50步和100步并没有质的差别。
或者会问:如果源字符集中有,而unicode中没有,结果会如何?回答是不知道。因为我手头没有能做这个测试的源字符集。但有一点是肯定的,那就是源字符集不够规范。在java中,如果发生这种情况,是会抛出异常的。
什么是utf
utf,是unicode text format的缩写,意为unicode文本格式。对于utf,是这样定义的:
(1)如果unicode的16位字符的头9位是0,则用一个字节表示,这个字节的首位是“0”,剩下的7位与原字符中的后7位相同,如“\u0034”(0000 0000 0011 0100),用“34” (0011 0100)表示;(与源unicode字符是相同的);
(2)如果unicode的16位字符的头5位是0,则用2个字节表示,首字节是“110”开头,后面的5位与源字符中除去头5个零后的最高5位相同;第二个字节以“10”开头,后面的6位与源字符中的低6位相同。如“\u025d”(0000 0010 0101 1101),转化后为“c99d”(1100 1001 1001 1101);
(3)如果不符合上述两个规则,则用三个字节表示。第一个字节以“1110”开头,后四位为源字符的高四位;第二个字节以“10”开头,后六位为源字符中间的六位;第三个字节以“10”开头,后六位为源字符的低六位;如“\u9da7”(1001 1101 1010 0111),转化为“e9b6a7”(1110 1001 1011 0110 1010 0111);
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来完成的。
好了,基础性的论述差不多了,下面进入正题。
先把这个问题想成是一个黑匣子。先看黑匣子的一级表示:
input(charseta)->process(unicode)->output(charsetb)
简单,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:
sourcefile(jsp,java)->class->output
在这个图中,可以看出,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。再细化到三级表示:
jsp->temp file->class->browser,os console,db
app,servlet->class->browser,os console,db
这个图就更明白了。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的源文件是以“.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,并跟踪其中的中文变化。
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=<jsp-charset>"%>中指定的charset。如果在jsp文件中未指定<jsp-charset>,则取jvm中的默认设置file.encoding,一般情况下,这个值是iso8859-1;
2、jspc用相当于“javac –encoding <jsp-charset>”的命令解释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”(不需要理由,unicode的码表就是这么编的)。然后,经过到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 unicode”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"%>
<html><body>
<%
string a="中文";
out.println(a);
%>
</body></html>
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文件转变而成的java文件,发现其中的“中文”两个字确实被“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。
再看jsp中指定的charset为iso-8859-1的情况。
<%@ page contenttype="text/html; charset=iso-8859-1"%>
<html><body>
<%
string a="中文";
out.println(a);
%>
</body></html>
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,打开文件看一下,java文件和class文件中,“中文”果然都表示为“c3 96 c3 90 c3 8e c3 84”。
如果上述代码中不指定<jsp-charset>,即把第一行写成“<%@ page contenttype="text/html" %>”,jspc会使用file.encoding的设置来解释jsp文件。在redhat 6.2上,其处理结果与指定为iso-8859-1是完全相同的。
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“jspcharset到unicode再到utf”。下表总结了这个过程:
表2 “中文”从jsp到class的转化过程
jsp-charset | jsp文件中 | java文件中 | class文件中 |
gb2312 | d6 d0 ce c4(gb2312) | 从\u4e2d\u6587(unicode)到e4 b8 ad e6 96 87 (utf) | e4 b8 ad e6 96 87 (utf) |
iso-8859-1 | d6 d0 ce c4 (gb2312) | 从\u00d6\u00d0\u00ce\u00c4 (unicode)到c3 96 c3 90 c3 8e c3 84 (utf) | c3 96 c3 90 c3 8e c3 84 (utf) |
无(默认=file.encoding) | 同iso-8859-1 | 同iso-8859-1 | 同iso-8859-1 |
servlet:从源文件到class的过程
servlet源文件是以“.java”结尾的文本文件。本节将讨论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 <compile-charset>”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<compile-charset>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setcontenttype方法来达到与在jsp中设置<jsp-charset>一样的效果,称之为<servlet-charset>。
注意,文中一共提到了三个变量:<jsp-charset>、<compile-charset>和<servlet-charset>。其中,jsp文件只与<jsp-charset>有关,而<compile-charset>和<servlet-charset>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("<html>");
out.println("#中文#");
out.println("</html>");
}
}
该文件也是用ultraedit for windows编写的,其中的“中文”两个字保存为“d6 d0 ce c4”(gb2312编码)。
开始编译。下表是<compile-charset>不同时,class文件中“中文”两字的十六进制码。在编译过程中,<servlet-charset>不起任何作用。<servlet-charset>只对class文件的输出产生影响,实际上是<servlet-charset>和<compile-charset>一起,达到与jsp文件中的<jsp-charset>相同的效果,因为<jsp-charset>对编译和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
compile-charset | servlet源文件中 | class文件中 | 等效的unicode码 |
gb2312 | d6 d0 ce c4 (gb2312) | e4 b8 ad e6 96 87 (utf) | \u4e2d\u6587 (在unicode中=“中文”) |
iso-8859-1 | d6 d0 ce c4 (gb2312) | c3 96 c3 90 c3 8e c3 84 (utf) | \u00d6 \u00d0 \u00ce \u00c4 (在d6 d0 ce c4前面各加了一个00) |
无(默认) | d6 d0 ce c4 (gb2312) | 同iso-8859-1 | 同iso-8859-1 |
序号 | 步骤说明 | 结果 |
1 | 编写jsp源文件,且存为gb2312格式 | d6 d0 ce c4 (d6d0=中 cec4=文) |
2 | jspc把jsp源文件转化为临时java文件,并把字符串按照gb2312映射到unicode,并用utf格式写入java文件中 | e4 b8 ad e6 96 87 |
3 | 把临时java文件编译成class文件 | e4 b8 ad e6 96 87 |
4 | 运行时,先从class文件中用readutf读出字符串,在内存中的是unicode编码 | 4e 2d 65 87(在unicode中4e2d=中 6587=文) |
5 | 根据jsp-charset=gb2312把unicode转化为字节流 | d6 d0 ce c4 |
6 | 把字节流输出到ie中,并设置ie的编码为gb2312(作者按:这个信息隐藏在http头中) | d6 d0 ce c4 |
7 | ie用“简体中文”查看结果 | “中文”(正确显示) |
序号 | 步骤说明 | 结果 |
1 | 编写jsp源文件,且存为gb2312格式 | d6 d0 ce c4 (d6d0=中 cec4=文) |
2 | jspc把jsp源文件转化为临时java文件,并把字符串按照iso8859-1映射到unicode,并用utf格式写入java文件中 | c3 96 c3 90 c3 8e c3 84 |
3 | 把临时java文件编译成class文件 | c3 96 c3 90 c3 8e c3 84 |
4 | 运行时,先从class文件中用readutf读出字符串,在内存中的是unicode编码 | 00 d6 00 d0 00 ce 00 c4 (啥都不是!!!) |
5 | 根据jsp-charset=iso8859-1把unicode转化为字节流 | d6 d0 ce c4 |
6 | 把字节流输出到ie中,并设置ie的编码为iso8859-1(作者按:这个信息隐藏在http头中) | d6 d0 ce c4 |
7 | ie用“西欧字符”查看结果 | 乱码,其实是四个ascii字符,但由于大于128,所以显示出来的怪模怪样 |
8 | 改变ie的页面编码为“简体中文” | “中文”(正确显示) |
序号 | 步骤说明 | 结果 |
1 | 编写jsp源文件,且存为gb2312格式 | d6 d0 ce c4 (d6d0=中 cec4=文) |
2 | jspc把jsp源文件转化为临时java文件,并把字符串按照iso8859-1映射到unicode,并用utf格式写入java文件中 | c3 96 c3 90 c3 8e c3 84 |
3 | 把临时java文件编译成class文件 | c3 96 c3 90 c3 8e c3 84 |
4 | 运行时,先从class文件中用readutf读出字符串,在内存中的是unicode编码 | 00 d6 00 d0 00 ce 00 c4 |
5 | 根据jsp-charset=iso8859-1把unicode转化为字节流 | d6 d0 ce c4 |
6 | 把字节流输出到ie中 | d6 d0 ce c4 |
7 | ie用发出请求时的页面的编码查看结果 | 视情况而定。如果是简体中文,则能正确显示,否则,需执行表5中的第8步 |
序号 | 步骤说明 | 结果 |
1 | 编写servlet源文件,且存为gb2312格式 | d6 d0 ce c4 (d6d0=中 cec4=文) |
2 | 用javac –encoding gb2312把java源文件编译成class文件 | e4 b8 ad e6 96 87 (utf) |
3 | 运行时,先从class文件中用readutf读出字符串,在内存中的是unicode编码 | 4e 2d 65 87 (unicode) |
4 | 根据servlet-charset=gb2312把unicode转化为字节流 | d6 d0 ce c4 (gb2312) |
5 | 把字节流输出到ie中并设置ie的编码属性为servlet-charset=gb2312 | d6 d0 ce c4 (gb2312) |
6 | ie用“简体中文”查看结果 | “中文”(正确显示) |
序号 | 步骤说明 | 结果 |
1 | 编写servlet源文件,且存为gb2312格式 | d6 d0 ce c4 (d6d0=中 cec4=文) |
2 | 用javac –encoding iso8859-1把java源文件编译成class文件 | c3 96 c3 90 c3 8e c3 84 (utf) |
3 | 运行时,先从class文件中用readutf读出字符串,在内存中的是unicode编码 | 00 d6 00 d0 00 ce 00 c4 |
4 | 根据servlet-charset=iso8859-1把unicode转化为字节流 | d6 d0 ce c4 |
5 | 把字节流输出到ie中并设置ie的编码属性为servlet-charset=iso8859-1 | d6 d0 ce c4 (gb2312) |
6 | ie用“西欧字符”查看结果 | 乱码(原因同表5) |
7 | 改变ie的页面编码为“简体中文” | “中文”(正确显示) |
序号 | 步骤说明 | 结果 | 域 |
1 | 在ie中输入“中文” | d6 d0 ce c4 | ie |
2 | ie把字符串转变成utf,并送入传输流中 | e4 b8 ad e6 96 87 | |
3 | servlet接收到输入流,用readutf读取 | 4e 2d 65 87(unicode) | servlet |
4 | 编程者在servlet中必须把字符串根据gb2312还原为字节流 | d6 d0 ce c4 | |
5 | 编程者根据数据库内码iso8859-1生成新的字符串 | 00 d6 00 d0 00 ce 00 c4 | |
6 | 把新生成的字符串提交给jdbc | 00 d6 00 d0 00 ce 00 c4 | |
7 | jdbc检测到数据库内码为iso8859-1 | 00 d6 00 d0 00 ce 00 c4 | jdbc |
8 | jdbc把接收到的字符串按照iso8859-1生成字节流 | d6 d0 ce c4 | |
9 | jdbc把字节流写入数据库中 | d6 d0 ce c4 | |
10 | 完成数据存储工作 | d6 d0 ce c4 数据库 | |
以下是从数据库中取出数的过程 | |||
11 | jdbc从数据库中取出字节流 | d6 d0 ce c4 | jdbc |
12 | jdbc按照数据库的字符集iso8859-1生成字符串,并提交给servlet | 00 d6 00 d0 00 ce 00 c4 (unicode) | |
13 | servlet获得字符串 | 00 d6 00 d0 00 ce 00 c4 (unicode) | servlet |
14 | 编程者必须根据数据库的内码iso8859-1还原成原始字节流 | d6 d0 ce c4 | |
15 | 编程者必须根据客户端字符集gb2312生成新的字符串 | 4e 2d 65 87 (unicode) | |
servlet准备把字符串输出到客户端 | |||
16 | servlet根据<servlet-charset>生成字节流 | d6d0 ce c4 | servlet |
17 | servlet把字节流输出到ie中,如果已指定<servlet-charset>,还会设置ie的编码为<servlet-charset> | d6 d0 ce c4 | |
18 | ie根据指定的编码或默认编码查看结果 | “中文”(正确显示) | ie |
如对本文有疑问, 点击进行留言回复!!
现在微服务这么火,你还不了解吗?阿里P8推荐的微服务学习指南
论文笔记:SlowFast Networks for Video Recognition
网友评论