JSP和Servlet对中文的处理过程

• 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

  
  

• [1] [2] [3] [4] [5] [6] [7] [8] [9] 下一页 
• 复制本页网址和标题，发送给你QQ/Msn的好友一起分享
  
  
• JSP和Servlet对中文的处理过程 相关文章：
• ·非主流ps教程实用的技巧大全
• ·Fireworks教程 液体金属表面特效制作
• ·Fireworks教程:立体质感水晶的制作过程
• ·Windows Vista停止报告程序问题的技巧方法
• ·非主流ps教程:制作红绿色调效果
• ·Photoshop液化滤镜校正歪斜的人物头像教程
• ·CSS教程:CSS中的定位（position）
• ·Flash制作交互动画教程 星座查询器
• ·Photoshop教程 绘制可爱半透明圣诞帽
• ·Linux下限制Root用户进行远程登陆
• JSP和Servlet对中文的处理过程 相关软件
• ·《QQ游戏2007》beta1安装程序
• ·怪叔叔WII游戏教程之六-勇者斗恶龙
• ·《风色幻想6》完整流程攻略
• ·PSP自动更换壁纸插件及教程
• ·PS教程
• ·传奇女子的冒险经历及心路历程《罪恶天使》
• ·潘多拉神奇电池记忆棒制作必要程序
• ·名人讲述自己的读书历程：《与名人一起读书》
• ·卧底警察心路历程和传奇见闻：《卧底》
• ·PS文字特效教程(全7辑)6-7

上一篇:关于EJB调用原理分析

下一篇:BPEL的异常管理

• 特别声明：本站除部分特别声明禁止转载的专稿外的其他文章可以自由转载，但请务必注明出处和原始作
• 者.文章版权归文章原始作者所有.对于被本站转载文章的个人和网站，我们表示深深的谢意。如果本站转
• 载的文章有版权问题请联系编辑人员,我们尽快予以更正. 转载请注明来源：http://www.hackhome.com

精品推荐

热点TOP10

特别推荐