中文化和国际化问题权威解析之五：URL编码/Misc

通过前面中文化、国际化问题解决的系列1-4，相信大家对字符集、字符编码、字符解码、字符乱码、Java中文问题解决等都有了一个比较清晰的认识；但文中的信息并非包罗万象，结合到自己平时对于字符集、编码相关的一些疑惑，本篇对一些前文中并未提及的一些问题进行补充，以便让该系列更加完善和全面；本文主要解决以下两个问题：其一，解决UltraEdit菜单中的 文件 -> 转换 子菜单中涉及的一些名词疑惑，主要涉及EBCDIC 、OEM字符集、ANSI字符集、HZ编码等；其二，补充关于URL编码相关的一些知识点，涉及浏览器、Web服务器设置、Servlet规范等；

更多的与字符集相关的专业词汇简介

相信很多同学都有在用UltraEdit这个文本编辑器软件，从菜单 文件 --> 转换 进入即可看见很多的字符集间的转换子菜单，不同版本间可能会有些差异，可以参考下图：

 

从上图中我们可以看到很多前面已经提及的一些词汇，比如ASCII、Unicode [Big Endian/Little Endian]、UTF-8等；但还有一些未提及的，下面就逐个介绍下：

• l DOS/UNIX/MAC间的转换：
  这几项和字符集无关，主要是由于各个系统对行结束字符的要求不一样，体现在：Mac格式只要求回车、Unix只要求换行、DOS则要求回车、换行 二者组合；这几个命令要做的就是对这几个特殊字符进行相应替换；
• l EBCDIC (Extended Binary Coded Decimal Interchange Code)：
  他是与ASCII同时期的一种字符编码，主要用于IBM计算机中；它采用8位码, 有256个编码状态, 但只选用其中一部分。0-9十个数字符的高4位编码为1111, 低4位仍为0000-1001。大、小写英文字母的编码同样满足正常的排序要求, 而且有简单的对应关系, 即同一个字母的大小写的编码值仅最高的第二位的值不同, 易于识别与变换。
• l OEM字符集：
  由于ASCII码只利用了低7位，第8位没有被使用，而随着计算机的发展，很多原始设备制造商（当时最有名的应该就是IBM了）觉得ASCII码已经无法满足需求了，所以他们各自对第8位进行了自定义扩展，从而形成了五花八门的OEM字符集；由于这些扩展都是不通用的，只有各自能够解释，这些不兼容的扩展又叫做代码页（Code Page），在同一台机器中，通过不同的代码页就可以实现系统间信息的转换了；
• l ANSI字符集：
  正如前面提到的，众多的OEM厂商对第8位进行了自定义扩展；但更加夸张和恐怖的事情是，随着计算机进入亚洲，此时却发现整整用完8位也无法将所有的他们需要的语言字符；于是在ASCII的基础上他们再次进行了扩展，从而产生了双字节字符集DBCS（double byte character set），我们常见的国标系列GB2312/GBK/BIG5......都属于此类；这些字符集有一个共同的特点：完全兼容ASCII！这是ANSI系列和Unicode系列最大的不同点；这类型基于ASCII码进行扩展的多字节字符集MBCS统称为ANSI字符集；注意：ANSI字符集之间也是无法直接识别的，需要进行自定义转换；
• l 提到国标系列，在此我还想提一个编码：HZ码，HZ是汉字的简称？
  他是基于GB字符集的一种简体中文编码，在新加坡被广泛使用；编码规则为：他将每个字节中的第8位（在GB字符集中该位为1）屏蔽，只保留低7位，并将经过变换后的部分用~{、~}括起来；解码的时候只需要将括号对里面的部分高位还原成1即可；这样就可以在互联网上广泛的传输了，而不必受制于某些系统只能接收基于ASCII码的字符；

URL编码

基于Java开发的Web应用URL组成如下：
http://domain:port/contextPath/servletPath/pathInfo?queryString
其中各个部分含义如下：
Domain、Port：分别是域名和端口；
contextPath：应用上下文路径，默认为应用名称，比如我们的apps；但可以通过应用服务器的相关配置进行修改，一般线上环境会修改成/，此时相当于contextPath为空；
servletPath：Servlet路径，一般在应用的web.xml文件中配置servlet-mapping；但由于现在的web应用一般都会用一些框架，比如Struts、Webwork等，此时各框架都会对此进行封装，会在另外的配置文件中进行设置；但原理都是一样的；
pathInfo：可以理解为最终接收用户请求的具体执行类，比如我们常说的Action；
queryString：get方式传入的请求参数；
以上各个部分中可能存在中文问题的是pathInfo、queryString两个部分；

首先，我们来看下Servlet中和URL相关的一些api及其注意事项：
HttpServletRequest.setCharacterEncoding(); //仅仅只适用于设置post提交的request body的编码而不是设置get方法提交的queryString的编码。该方法还告诉应用服务器应该采用什么编码解析post传过来的内容；注意：若没有设定characterEncoding，则使用ISO-8859-1来解码用户输入的表单，而不是使用系统默认的编码。
HttpServletResponse.setContentType();      //告诉浏览器网页中数据是什么编码；表单提交时，根据ContentType指定的charset对表单中的数据编码，然后发送给服务器。
HttpServletRequest.getParameter("name");   //返回的字符串为：queryString（包括get和post），其值经过Servlet服务器URL Decode过的，默认编码来源于应用服务器中的配置，比如tomcat中server.xml的URIEncoding。
HttpServletRequest.getPathInfo();          //返回的字符串为：pathinfo；由Servlet服务器解码(decode)过的。默认编码同上，tomcat中可设置useBodyEncodingForURI。
HttpServletRequest.getRequestURI();        //返回的字符串为：contextPath/servletPath/pathinfo；注意是浏览器提交过来的原始数据，未被Servlet服务器URL Decode过。

对URL编码【URL Encoding/Percent Encoding】时，使用以下规则：
字母数字字符 "a" 到 "z"、"A" 到 "Z" 和 "0" 到 "9" 保持不变。
特殊字符 "."、"-"、"*" 和 "_" 保持不变。
空格字符 " " 转换为一个加号 "+"。
所有其他字符都是不安全的，因此首先使用一些编码机制将它们转换为一个或多个字节。然后每个字节用一个包含 3 个字符的字符串 "%xy" 表示，其中 xy 为该字节的两位十六进制表示形式。推荐的编码机制是 UTF-8。但是，出于兼容性考虑，如果未指定一种编码，则使用相应平台的默认编码。

假定我们待请求URL为：http://localhost:8080/example/中国?name=中国；
Html内content-type或meta中的charset=GBK；文件格式为ANSI/ASCII；
URL中的两个汉字"中国"的各字符集下的编码为：

汉字	编码	二进制表示
中国	UTF-8	0xe4 0xb8 0xad 0xe5 0x9b 0xbd[-28, -72, -83, -27, -101, -67]
中国	GBK	0xd6 0xd0 0xb9 0xfa[-42, -48, -71, -6]
中国	ISO8859-1	0x3f 0x3f[63, 63][??]

对于Get方式的URL请求有两种情况，其一：用户直接在浏览器地址栏中输入URL，此时浏览器没有编码可参考，直接用浏览器的默认编码进行解析并提交到服务端；其二：在form表单内提交，只是form属性method为GET，此时浏览器会参考目前html中对编码的相关设置进行解析，比如content-type或meta中的charset。

以下就重点讲讲第二种方式的提交：
GET方式form submit：浏览器会对URL进行URL encoding，然后发送给服务器。

• 对于中文IE,如果在高级选项中选中总以UTF-8发送(默认方式)，则PathInfo在URL Encoding时按照UTF-8编码；QueryString按照GBK编码。
  此时提交是：GET /example/%E4%B8%AD%E5%9B%BD?name=%D6%D0%B9%FA
• 对于中文IE,如果在高级选项中取消总以UTF-8发送，则PathInfo和QueryString在URL encoding时按照GBK编码。
  此时提交是：GET /example/%D6%D0%B9%FA?name=%D6%D0%B9%FA
• 对于中文firefox、Chrome，因为没有类似IE中的这种设置选项，所以这两种浏览器中对pathInfo的编码规则没有做特殊处理，MS是和queryString采取同样的编码规则；在本例中的假设情况下：pathInfo和queryString在URL encoding时都按照GBK编码。
  此时提交是：GET /example/%D6%D0%B9%FA?name=%D6%D0%B9%FA

很显然，不同的浏览器以及同一浏览器的不同设置，会影响最终URL中PathInfo的编码，该编码可能不会由我们应用来控制；对于queryString，则是可以由我们的应用来完全控制的，对于上面的事例：中文的IE和FIREFOX都是采用GBK编码queryString。

若调整下上例中的假设条件，设置Html内content-type或meta中的charset=UTF-8；
此时在IE中queryString会按照UTF-8进行编码，即name=%E4%B8%AD%E5%9B%BD；
但是在非IE（Firefox、Chrome）中，此时提交时URL中会以中文直接提交，即name=中文；此时服务端的web服务器上肯定要进行相应的编码配置，否则肯定会出现乱码；

若设置Html内content-type或meta中的charset=ISO-5899-1；
此时在IE、Firefox、Chrome中queryString都被用ISO-5899-1编码了，即name= %26%2320013%3B%26%2322269%3B；
对于编码串中的%26、%3B应该是百分号编码【Percent Encoding】中的保留字符，分别对应&、;，两者之间是经过编码的十进制码；对于这点偶也不是十分肯定？要是有同学比较清楚，请告诉偶下，thx。

POST方式提交：表单中的参数值对是通过request body发送给服务器，此时浏览器会根据网页的ContentType("text/html; charset=GBK")中指定的编码进行对表单中的数据进行编码，然后发给服务器。
在服务器端的程序中我们可以通过Request.setCharacterEncoding() 设置编码，然后通过request.getParameter获得正确的数据。

小结：

• 1. URL中的PathInfo字符串的编码和解码是由浏览器和应用服务器的配置决定的，我们的程序不能设置，不要期望用request.setCharacterEncoding()方法能设置URL中pathInfo解码时的字符集，这在servlet规范里面有说明。
• 2. URL中如果含有中文等非ASCII字符，则浏览器会对它们进行URLEncode。为了避免浏览器采用了我们不希望的编码，所以最好不要在URL中直接使用非ASCII字符，而采用URL Encode编码过的字符串%xy；
  对此建议URL：http://localhost:8080/example/%D6%D0%B9%FA?name=%D6%D0%B9%FA
• 3. URL中PathInfo和QueryString应该采用相同的编码，pathInfo最好不要用中文；因为不同浏览器对URL中PathInfo和QueryString编码时采用的字符集不同，但应用服务器对URL通常会采用相同的字符集来解码。
• 4. URL中的queryString的编码方式是依赖于网页的contentType、meta中的charset字符集设置的，记住这点对于form get方式提交乱码问题排查是非常有好处的。
• 5. 页面文件的编码最好和页面内设置的charset一致，因为我们可能在页面内部有很多中文，若编码不一致，则可能出现在编辑器内看着是正常的，但到了浏览器上则变成了乱码（虽然页面显示为乱码，但这并不意味着在form submit时数据会有问题，很可能出现负负为正的情况）；这点在前面宝宝的文档中也有说明；
  另外，文件的编码很可能会影响问题的排查；比如上例中我们就已说明：文件格式为ANSI/ASCII，若文件格式为Unicode/UTF-*系列，那测试结果会不会不一样呢？大家可以自行测试下；
• 6. 服务端URL Encode时最好指定字符集，否则encoding的字符集依赖于本地系统的默认编码。可以参考javadoc：
  http://gceclub.sun.com.cn/Java_Docs/html/zh_CN/api/java/net/URLEncoder.html

相关文档参考：
字符，字节和编码：http://www.regexlab.com/zh/encoding.htm
各种字符集和编码详解：http://blog.csdn.net/ancky/archive/2008/01/11/2034809.aspx
深入浅出URL编码：http://blog.csdn.net/yzhz/archive/2007/07/03/1676796.aspx
javascript html 相关编码问题研究：http://stauren.net/log/fpev3c89q.html
J2EE Web组件中中文及相关的问题（系列）：http://blog.csdn.net/whodsow/archive/2003/10/27/19465.aspx