基礎入門－JAVA字元集詳解

1.  概述 
   
   本文主要包括以下幾個面向：編碼基本知識，java，系統軟體，url，工具軟體等。 
   
       在下面的描述中，將以"中文"兩個字為例，經查表可以知道其GB2312編碼是"d6d0 cec4"，Unicode編碼為"4e2d 6587"，UTF編碼就是"e4b8ad 注重，這兩個字沒有iso8859-1編碼，但可以用iso8859-1編碼來"表示"。 
   
   2. 編碼基本知識 
   
       最早的編碼是iso8859-1，類似ascii編碼。但為了方便表示各種各樣的語言，逐漸出現了許多標準編碼，重要的有以下幾個。 
   
   2.1. iso8859-1 
   
       屬於單字節編碼，最多能表示的字元範圍為0-255，應用於英文系列。例如，字母'a'的編碼為0x61=97。 
   
       很明顯，iso8859-1編碼所表示的字元範圍很窄，無法表示中文字元。但是，由於是單字節編碼，和電腦最基礎的表示單位一致，所以很多時候，仍然使用iso8859-1編碼來表示。而且在很多協定上，預設使用該編碼。例如，雖然"中文"兩個字不存在iso8859-1編碼，以gb2312編碼為例，應該是"d6d0 cec4"兩個字符，使用iso8859-1編碼的時候則將它拆開為4個字節來表示："d6 d0 ce c4"（事實上，在進行儲存的時候，也是以位元組為單位處理的）。而假如是UTF編碼，則是6個位元組"e4 b8 ad e6 96 87"。很明顯，這種表示方法還需要以另一種編碼為基礎。 
   
   2.2. GB2312/GBK 
   
       這是漢子的國標碼，專門用來表示漢字，是雙位元組編碼，而英文字母和iso8859-1一致（相容於iso8859-1）。其中gbk編碼能夠用來同時表示繁體字和簡體字，而gb2312只能表示簡體字，gbk是相容gb2312編碼的。 
   
   2.3. unicode 
   
       這是最統一的編碼，可以用來表示所有語言的字符，而且是定長雙字節（也有四字節的）編碼，包括英文字母在內。所以可以說它是不相容iso8859-1編碼的，也不相容於任何編碼。不過，相對於iso8859-1編碼來說，uniocode編碼只是在前面增加了一個0字節，例如字母'a'為"00 61"。 
   
   需要說明的是，定長編碼便於電腦處理（注重GB2312/GBK不是定長編碼），而unicode又可以用來表示所有字符，所以在很多軟體內部是使用unicode編碼來處理的，例如java。 
   
   2.4. UTF 
   
       考慮到unicode編碼不相容於iso8859-1編碼，輕易佔用更多的空間：因為對於英文字母，unicode也需要兩個位元組來表示。所以unicode不便於傳輸和儲存。因此而產生了utf編碼，utf編碼相容iso8859-1編碼，同時也可以用來表示所有語言的字符，不過，utf編碼是不定長編碼，每一個字符的長度從1-6個字節不等。另外，utf編碼自備簡單的校驗功能。一般來講，英文字母都是用一個位元組表示，而漢字使用三個位元組。 
   
       注重，雖然說utf是為了使用更少的空間而使用的，但那隻是相對於unicode編碼來說，假如已經知道是漢字，則使用GB2312/GBK無疑是最節省的。不過另一方面，值得說明的是，雖然utf編碼對漢字使用3個字節，但即使對於漢字網頁，utf編碼也會比unicode編碼節省，因為網頁中包含了很多的英文字符。 
   
   3. java對字符的處理 
   
       在java應用軟體中，會有多處涉及到字符集編碼，有些地方需要進行正確的設置，有些地方需要進行一定程度的處理。 
   
   3.1. getBytes(charset) 
   
      這是java字串處理的一個標準函數，其作用是將字串所表示的字元依照charset編碼，並以位元組方式表示。注重字串在java記憶體中總是按unicode編碼儲存的。例如"中文"，正常情況下（即沒有錯誤的時候）儲存為"4e2d 6587"，假如charset為"gbk"，則被編碼為"d6d0 cec4"，然後返回位元組"d6 d0 ce c4"。假如charset為"utf8"則最後是"e4 b8 ad e6 96 87"。假如是"iso8859-1"，則由於無法編碼，最後返回 "3f 3f"（兩個問號）。 
   
   3.2. new String(charset) 
   
       這是java字串處理的另一個標準函數，和上一個函數的作用相反，將位元組數組依照charset編碼進行組合識別，最後轉換為unicode儲存。參考上述getBytes的例子，"gbk" 和"utf8"都可以得到正確的結果"4e2d 6587"，但iso8859-1最後變成了"003f 003f"（兩個問號）。 
   
       因為utf8可以用來表示/編碼所有字符，所以new String( str.getBytes( "utf8" ), "utf8" ) === str，即完全可逆。 
   
   3.3. setCharacterEncoding() 
   
       此函數用來設定http請求或對應的編碼。 
   
        對於request，是指提交內容的編碼，指定後可以透過getParameter()則直接獲得正確的字串，假如不指定，則預設使用iso8859-1編碼，需要進一步處理。參見下述"表單輸入"。值得注重的是在執行setCharacterEncoding()之前，不能執行任何getParameter()。 java doc上說明：This method must be called PRior to reading request parameters or reading input using getReader()。而且，該指定只對POST方法有效，對GET方法無效。分析原因，應該是在執行第一個getParameter()的時候，java將會按照編碼分析所有的提交內容，而後續的getParameter()不再進行分析，所以setCharacterEncoding()無效。而對於GET方法提交表單是，提交的內容在URL中，一開始就已經按照編碼分析所有的提交內容，setCharacterEncoding()自然就無效。 
   
       對於response，則是指定輸出內容的編碼，同時，設定會傳遞給瀏覽器，告訴瀏覽器輸出內容所採用的編碼。 
   
   3.4. 處理過程 
   
   下面分析兩個代表性的例子，說明java對編碼有關問題的處理方法。
   
   3.4.1. 表單輸入 
   
        input  *(gbk:d6d0 cec4)  browser  *(gbk:d6d0 cec4)  browser  *(gbk:d6d0 cec4)  browser  *(gbk:d6d0 cec4)  browser  *(gbk:d6d6d 0ce 00c4)  class，需要在class中處理：getbytes(" iso8859-1")為d6 d0 ce c4，new String("gbk")為d6d0 cec4，記憶中以unicode編碼則為4e2d 6587。 
   
   l 使用者輸入的編碼方式和頁面指定的編碼有關，也和使用者的作業系統有關，所以是不確定的，上例以gbk為例。 
   
       從browser到web server，可以在表單中指定提交內容時所使用的字元集，否則會使用頁面指定的編碼。而假如在url中直接用?的方式輸入參數，則其編碼往往是作業系統本身的編碼，因為這時和頁面無關。上述仍以gbk編碼為例。 
   
       Web server接收到的是位元組流，預設時（getParameter）會以iso8859-1編碼處理之，結果是不正確的，所以需要處理。但假如預先設定了編碼（透過request. setCharacterEncoding ()），則能夠直接取得到正確的結果。 
   
       在頁面中指定編碼是個好習慣，否則可能失控，無法指定正確的編碼。 

   
   

 以上就是基礎入門－JAVA字符集詳解的內容，更多相關文章請關注PHP中文網（www.php.cn）！