中文化和国际化问题权威解析之三：Java中文问题分析

 

本章从实际的中文问题中，分析问题的根本原因，以及解决之道。

注意，本章虽然着重说明 “ 中文问题 ” ，但本章所推出的结论却是适合于世界所有语言文字的。

概述

我们在实际开发中碰到的中文问题，真是形形色色，无法一一列举。但是它们不是随机产生的，而是有规律可循，有办法解决的。

我们碰到最多的中文问题，都发生在使用 Java Servlet 写 WEB 应用时。其次，使用 Java Mail API 发送 e-mail 也会有类似的问题。从表象上区分，大致上有以下几种：

1. 好端端的中文显示成了问号 “?” ，且一个中文变成 2 个问号。
2. 好端端的中文显示成了问号 “?” ，且一个中文变成 1 个问号。
3. 好端端的中文显示成了看不懂的符号，如 “ÎÒ°®Alibaba” 。
4. WEB 页面中部分中文显示正常，部分中文是乱码。

要分析这些问题的根本原因，首先要了解这些 中文字符的输入源 ，其次是了解这些字符被输出到用户浏览器经过了哪些 转换和输出环节 。中文字符可以来源于：

1. 程序内嵌的中文，我们在程序里直接书写中文字符串。
2. 文本文件，利用 FileInputStream 读入文件内容并转换成字符。
3. XML 文件，利用 XML 解析器读入内存。
4. 数据库，利用 SQL 查询，取得的结果。
5. 模板文件，例如 Velocity 或 WebMacro 模板，我们使用模板生成 WEB 页面。
6. JSP 页面，在 JSP 生成的 WEB 页面。
7. 用户通过浏览器提交的表单。

中文字符被装入内存以后，还要经过若干个转换和输出环节，最后才能到达用户的浏览器被用户看到。

1. 文本通过 response.getWriter() 输出到浏览器端。
2. 浏览器读取服务器的 HTTP 响应，并将响应中包含的 HTML 页面显示在浏览器上。
3. 文本可能被写入 XML 文件、文本文件、数据库中。

以上列举的任何一个环节发生错误，都可能产生 “ 乱码 ” 现象。因此发生乱码现象时，不要慌，想想这个乱码的文本是从哪里来的，又是以什么方式输出的。

字符的输入、转换、输出环节

内嵌在程序代码中的中文

因为 Java 源代码（ .java ）本身是一个文本文件，所以和读普通文本文件一样，编译器（ javac ）必须以字节流的方式读入文件内容，并以适当的编码转换成 Unicode 字符而存储在 Java 字节码文件（ .class ）中。例如： Java 源代码文件中包含 GBK 编码的中文字符，则使用下面的命令编译：

1. javac -encoding GBK MyClass.java

如果不指定

-encoding 参数， javac 会使用系统默认的编码：在中文 Windows 上，默认是 GBK ，在英文 Linux 上，默认是 ISO-8859-1 。因此，如果文件是在英文 Linux 下编译而未指定 -encoding ，那么文件中的中文 “ 我爱 Alibaba” 就会变成 “ÎÒ°®Alibaba” 了。

从文本文件中读入的字符

正如前面的 TestDecoding 例子 所示，在读入文本文件时，需要指定正确的编码。如果不指明编码，那么 Java 就会使用系统默认的编码来转换文件中的字节流。下列代码往往会产生问题：

1. public   static  String readStringFromFile(String filename)  throws  IOException {
3.      // 正确的方法：
4.      // FileInputStream istream = new FileInputStream(filename);
5.      // InputStreamReader reader = new InputStreamReader(istream, charset);
6.     
7.      // 可能会导致乱码的方法（取决于运行平台的默认编码）：
8.     FileReader reader =  new  FileReader(filename);
9.     ...
10. }

从XML 文件中读入的字符

XML 标准极为严格地遵守 Unicode 标准。 XML 文件的字符编码是定义在 XML 文件中，而不是定义在 XML 解析器中的。如果不明确指定，任何标准的 XML 解析总是以 UTF-8 的方式解码 XML 文件。可以用下面的方式在 XML 文件中指定字符编码：

1. <? xml   version = "1.0"   encoding = "GB2312" ?>

在解码过程中，如果

XML 解析器发现一个非法的字节，不会像 Java 一样，转换成问号 “?” ，而是立即报错。所以 XML 解析器一般总会取得正确的 Unicode 字符。

注意

注意， XML 规范并没有定义 GBK 和 GB18030 编码，因此不能在 XML 文件使用这两种编码。目前可以使用的中文编码是 GB2312 和 BIG5 。相信这种情况以后会改变。如果确实想使用中文大字符集，请指定 UTF-8 作为 XML 文件的编码。

数据库

首先，数据库一般都可以设置以何种字符编码方式存储文本；其次，数据库的客户端 —— JDBC 驱动 —— 必须设置成和数据库的内置字符编码一致；最后，尽可能使用 UTF-8 存取文本数据，因为这样可以在数据库中方便地存储所有国家的文字。

注意

我们 Alibaba 的 Oracle 数据库目前采用 7 位 ASCII 码存储文本（包括中文），这是一个极大的错误，已经导致了很多问题。我们后面会讲到。

模板文件

Velocity 和 WebMacro 是常用的 Java 模板系统。模板文件也是简单的文本文件。 Velocity 和 WebMacro 都可以在各自的配置文件定义读取模板所用的字符编码方式。例如 Velocity 可以这样设置：

1. input.encoding=GBK

如果是在

Turbine （一种基于 MVC 设计模式的 WEB 应用框架， http://jakarta.apache.org/turbine ）中调用 Velocity ，可以在 Turbine 的配置文件中设置：

1. services.VelocityService.input.encoding=GBK

这样

Velocity 就可以用 GBK 编码读取模板文件。

JSP 页面

JSP 是一种特殊的 WEB 页面，在第一次使用时，被自动编译成一个普通的 servlet 。在 JSP 的开头指定 JSP 的字符编码：

1. <% @page  contentType= "text/html; charset=GBK" %>

上面这行告诉

JSP ：

1. 用 javac -encoding GBK 命令选项来编译 JSP 所生成的 servlet 源代码。

2.            使用 GBK 编码输出 JSP servlet 中的所有字符，相当于：

1. response.setContentType( "text/html; charset=GBK" )

3.           

使用 GBK 解码用户的表单输入，相当于：

1. request.setCharacterEncoding( "GBK" )

用户通过浏览器提交的表单

浏览器是根据页面的 content type 来决定以何种方式来编码用户输入的表单的。例如，一个页面的 content type 是 text/html; charset=GBK ，那么，当用户按下页面中的 submit 按钮时，浏览器自动将用户的输入用 GBK 方式编码并发送回服务器端。服务器接到用户的请求后，需要用正确的方式来解码，方法是：

1. request.setCharacterEncoding( "GBK" );

然后再调用

request.getParameter(parameterName) 时就可以得到正确的 Unicode 字符。

注意

必须在第一次调用 request.getParameter(parameterName) 之前调用 request.setCharacterEncoding(charset) ，因为解码是在第一次调用 request.getParameter(parameterName) 时发生的。

Servlet 规范规定，如果没有设定 request.setCharacterEncoding ，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 。

对于 multipart form （例如，上传图片的 form 表单），情况要复杂一些。因为 servlet 并没有直接支持 multipart form 。所以大多数应用程序使用了第三方的工具包来解析 multipart form ，例如： Oreilly COS工具包 。然而，这些工具包大多使用系统默认的编码来解析用户表单，和 servlet 规范不一致。如果你的 servlet 代码没有特别指明编码方式，则两种 form 表单将有不同的表现，必有一种情况会出现乱码现象。

Servlet 输出

Servlet 可以用两种方式向浏览器输出内容：

1. 字节流方式 —— 输出到 response.getOutputStream() 。一般用来输出二进制内容，例如图片。
2. 字符流方式 —— 输出到 response.getWriter() 。用来输出文本类型的内容，如 HTML 和纯文本。

在此我们只讨论输出文本的情形： response.getWriter() 。在调用 response.getWriter() 前，我们必须设置 content type ：

1. response.setContentType( "text/html; charset=GBK" );

response.getWriter()

通过 content type 中指定的字符编码来决定如何将字符流转换成字节流。

在 Turbine 中，在配置文件中指定下面的内容， Turbine 会为你自动设置 content type ：

1. locale. default .charset=GBK

浏览器如何确定页面的字符编码

浏览器收到从 WEB 服务器返回的页面时，

1. 首先检查 HTTP 响应中指定的 content type ，也就是 servlet 通过 response.setContentType 方法设置的值。如果 content type 中指定字符编码（例如 text/html; charset=GBK ），则使用这种方式解码这个页面。

2.            如果 HTTP 响应中没有指定字符集，那么浏览器会检查 HTML 页面中是否包含：

1. < meta   http-equiv = "Content-Type"   content = "text/html; charset=GBK" >

如果找到，则使用这里指定的字符编码。

1. 如果既没有在 HTTP 响应中指定字符编码，也没有在 HTML 内容中指定字符编码，则浏览器根据一定的规则自动确定页面的字符编码。例如，在英文环境中，浏览器会使用 ISO-8859-1 ，简体中文环境中，则使用 GBK 。用户也可以根据自己的需要手工改变这一设置。

其它输出环节

文本还可能被写入 XML 文件、文本文件、数据库中。类似的，输出文件时一般都要指定字符编码。如果不指定，通常 Java 会选择系统默认的编码。这为程序运行的结果产生了不确定因素。

“ 乱码 ” 分析

明白了各输入、转换、输出环节是怎样工作的，我们的分析工作就有头绪了。在深入分析之前，有不少情况，观察乱码的表面现象就可以得到大概的结论。

一个中文变成了两个问号 “?”

这个现象通常表明字符在输入时出错，也就是解码错误。

虽然输出编码是对的，但在此之前，由于错误的输入编码，每个中文字变成了两个不相干的欧洲字符。而这些欧洲字符的编码和 GBK 编码是相冲突的（但也不一定完全冲突，例如上例中的第三个字节 B0 ，被转换成 GBK 的 E3A1 ）。因此大部分中文被输出成两个问号。

如果出现乱码的中文字是从 Velocity 模板读入的，说明 Velocity 配置文件中的 input.encoding 设置不正确；如果这个中文字是从数据库读入的，说明数据库的配置出错，也有可能文本在保存进数据库之前就已经错了；如果这个中文字是从用户表单输入的，很可能是你忘了调用 request.setCharacterEncoding("GBK") 。

一个中文变成了一个问号 “?”

这个现象通常表明字符在输出时出错，也就是编码错误。

这很可能是因为没有设置 response.setContentType("text/html; charset=GBK") 。

中文显示成了看不懂的符号，如 “ÎÒ°®Alibaba”

这个现象通常表明字符在输入输出时都出错了。

明眼人一看就发现，实际上在这种情况下，最后输出到浏览器上的 字节流是正确的 ！只是因为 content type 被设成了错误的 ISO-8859-1 编码，所以才导致浏览器显示不正确的。事实上，用户可以手工改变浏览器的设置，使浏览器使用 GBK 对字节流重新解码。

看起来象是数学中的 “ 负负得正 ” 。为什么会这样呢？这是因为 ISO-8859-1 编码的特殊性导致的。 ISO-8859-1 字符集的编码范围是 0000-00FF ，正好和一个字节的编码范围相对应。这种特性保证了使用 ISO-8859-1 进行编码 / 解码可以保持 编码数值 “ 不变 ” 。虽然中文字符在输入 JVM 时，被错误地 “ 拆 ” 成了两个欧洲字符，但由于输出时也是用 ISO-8859-1 ，结果被 “ 拆 ” 开的中文字的两半又被神奇地合并在一起。

这种情形在英文版的 Linux 上最常发生，事实上我们公司的很多程序就是这样做的。英文版 Linux 的系统默认编码为 ISO-8859-1 。假设我们的 servlet 从模板中生成动态网页：

• 输入环节 —— 如果我们不指定模板系统的字符编码，那么， Java 会使用系统默认的编码（ ISO-8859-1 ）读入模板文件，从而将一个 GBK 中文编码看作两个欧洲字符。
• 输出环节 —— 如果我们在设置 response.setContentType("text/html") 时不指明 “ charset ” ，按 servlet 规范，系统应以 ISO-8859-1 输出页面。从而恢复了正确的字节流。
• 浏览器输入环节 —— 浏览器发现 HTTP 响应中未指定字符编码，则检查 HTML 中有没有 <meta http-equiv="Content-Type" content="text/html; charset=GBK"> 之类的标记，如果有，则以 GBK 显示页面。此时页面显示是完全正常的（没有乱码）。
• 如果浏览器发现 HTTP 响应中未指定字符编码，并且 HTML 中也没有定义 meta 标记，则使用系统默认的编码。这取决于运行浏览器的平台和浏览器的设置。一般英文平台会以 ISO-8859-1 显示页面，从而显示成乱码。中文平台有可能可以正确显示页面。

同样的代码，如果在中文 Windows 上运行，因为系统默认编码为 GBK ，因而会转变成 “一个中文变成一个问号 ” 的情形。

如果页面中有部分字符不是来源于模板，而是来源于 XML 文件或 UTF-8 编码的数据库，又会转变成 “WEB页面中部分中文显示正常，部分中文是乱码 ” 的情形。

此外，把一个中文字符转换成两个欧洲字符，不仅使字符串变长了一倍，影响效率，而且前面所说的和 Unicode 相关的功能一概失效：断句断词、排序、查看字符属性、格式化日期和数字。

可见，使用这种方法显示中文，引入了诸多不确定因素，实在不是一种可取的方法。但是很多程序员满足于 “ 完成任务 ” ，却不求甚解，不理解 Unicode 的精义。甚至网上很多的文章也主张这么做，真是可悲可叹。

WEB 页面中部分中文显示正常，部分中文是乱码

很明显，这是由于同一页面中的字符是从不同的输入源取得的。假设有如下常见情形：

• 从模板取得的中文字使用了系统默认编码，中文 Windows 上是 GBK ，英文 Linux 上是 ISO-8859-1 ，后者将一个中文转变成了两个欧洲字符。
• 从 XML 取得的中文字总是正确的 Unicode 字符。
• 从用户表单读入的中文字，如果不指定编码（ request.setCharacterEncoding ），总是以 ISO-8859-1 解码。

结果就是：

Content Type	浏览器环境	服务器环境	从模板取得的中文字	从 XML 取得的中文字	从用户表单取得的中文字
text/html	中文 Windows	中文 Windows	一个中文变成 1 个问号	一个中文变成 1 个问号	碰巧正常
		英文 Linux	碰巧正常	一个中文变成 1 个问号	碰巧正常
	英文 Windows	中文 Windows	一个中文变成 1 个问号	一个中文变成 1 个问号	中文变成欧洲字符
		英文 Linux	中文变成欧洲字符	一个中文变成 1 个问号	中文变成欧洲字符
text/html; charset=GBK	任意	中文 Windows	正常	正常	一个中文变成 2 个问号
		英文 Linux	一个中文变成 2 个问号	正常	一个中文变成 2 个问号

注意

所谓 “ 碰巧正常 ” 是指虽然在服务器上，一个中文被当作两个欧洲字符处理，但是输出到浏览器以后，又被重新组合成了正确的字节序列，并且浏览器按默认的选项，会以中文 GBK 解码此序列。对于 “ 中文变成欧洲字符 ” 的情形，可以在浏览器上人工设置字符编码为 GBK ，或是在 HTML 中设置 <meta http-equiv="Content-Type" content="text/html; charset=GBK"> 标记，来显示出中文。

深入分析

以上只是分析了最常见的 “ 乱码 ” 现象。实际上，还可能会发生更复杂一点的情形。但是无论什么情形，都可以通过仔细分析中文字符经过的每一个 输入 、 转换 、 输出 环节，来了解它的原因。