字节和unicode

一、字节和unicode

Java内核是unicode的，就连class文件也是，但是很多媒体，包括文件/流的保存方式是使用字节流的。因此Java要对这些字节流经行转化。 char是unicode的，而byte是字节。Java中 byte/char互转的函数在sun.io的包中间有。其中ByteToCharConverter类是中调度，可以用来告诉你，你用的 convertor。其中两个很常用的静态函数是：

public static ByteToCharConverter getDefault(); 
public static ByteToCharConverter getConverter(String encoding);

如果你不指定converter，则系统会自动使用当前的encoding,gb平台上用gbk,en平台上用8859_1。

byte ——〉char： 
"你"的gb码是：0xc4e3 ,unicode是0x4f60 
String encoding = "gb2312"; 
byte b[] = {(byte)'\u00c4',(byte)'\u00e3'}; 
ByteToCharConverter converter = ByteToCharConverter.getConverter(encoding); 
char c[] = converter.convertAll(b); 
for (int i = 0; i < c.length; i++) { 
System.out.println(Integer.toHexString(c[i])); 
} 
结果是什么？0x4f60 
如果encoding ="8859_1"，结果又是什么？0x00c4,0x00e3

如果代码改为：

byte b[] = {(byte)'\u00c4',(byte)'\u00e3'}; 
ByteToCharConverter converter = ByteToCharConverter. getDefault(); 
char c[] = converter.convertAll(b); 
for (int i = 0; i < c.length; i++) { 
System.out.println(Integer.toHexString(c[i])); 
}

结果将又是什么？

这就要根据平台的编码而定。

char ——〉byte： 
String encoding = "gb2312"; 
char c[] = {'\u4f60'}; 
CharToByteConverter converter = CharToByteConverter.getConverter(encoding); 
byte b[] = converter.convertAll(c); 
for (int i = 0; i < b.length; i++) { 
System.out.println(Integer.toHexString(b[i])); 
} 
结果是什么？0x00c4,0x00e3 
如果encoding ="8859_1"，结果又是什么？0x3f 
如果代码改为 
String encoding = "gb2312"; 
char c[] = {'\u4f60'}; 
CharToByteConverter converter = CharToByteConverter.getDefault(); 
byte b[] = converter.convertAll(c); 
for (int i = 0; i < b.length; i++) { 
System.out.println(Integer.toHexString(b[i])); 
}

结果将又是什么？还是根据平台的编码而定。

很多中文问题就是从这两个最简单的类派生出来的。而却有很多类不直接支持把encoding输入，这给我们带来诸多不便。很多程序难得用encoding了，直接用default的encoding，这就给我们移植带来了很多困难。

二、utf-8

utf-8是和unicode一一对应的，其实现很简单：

7位的unicode: 0 _ _ _ _ _ _ _ 
11位的unicode: 1 1 0 _ _ _ _ _ 1 0 _ _ _ _ _ _ 
16位的unicode: 1 1 1 0 _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 
21位的unicode: 1 1 1 1 0 _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _ 1 0 _ _ _ _ _ _

大多数情况是只使用到16位以下的unicode:

"你"的gb码是：0xc4e3 ,unicode是0x4f60 
0xc4e3的二进制： 
1100 ，0100 ，1110 ，0011

由于只有两位我们按照两位的编码来排，但是我们发现这行不通，因为第７位不是0因此，返回"?"

0x4f60的二进制： 
0100 ，1111 ，0110 ，0000 
我们用utf-8补齐，变成： 
1110 ，0100 ，1011 ，1101 ，1010 ，0000 
e4--bd-- a0 
于是返回：0xe4,0xbd,0xa0。

三、string和byte[]

string其实核心是char[],然而要把byte转化成string，必须经过编码。string.length()其实就是char数组的长度，如果使用不同的编码，很可能会错分，造成散字和乱码。例如：

String encoding = “”; 
byte [] b={(byte)'\u00c4',(byte)'\u00e3'}; 
String str=new String(b,encoding);

如果encoding=8859_1，会有两个字，但是encoding=gb2312只有一个字这个问题在处理分页是经常发生。

四、Reader,Writer / InputStream,OutputStream

Reader和Writer核心是char，InputStream和OutputStream核心是byte。但是Reader和Writer的主要目的是要把char读/写InputStream/OutputStream。例如：

文件test.txt只有一个"你"字，0xc4,0xe3 
String encoding = "gb2312"; 
InputStreamReader reader = new InputStreamReader(new FileInputStream( 
"text.txt"), encoding); 
char c[] = new char[10]; 
int length = reader.read(c); 
for (int i = 0; i < length; i++) { 
System.out.println(c[i]); 
}

结果是什么？是"你"。如果encoding ="8859_1"，结果是什么？"??"两个字符，表示不认识。反过来的例子自己做。 
五、我们要对Java的编译器有所了解：

Javac ?encoding

我们常常没有用到encoding这个参数。其实encoding这个参数对于跨平台的操作是很重要的。如果没有指定encoding，则按照系统的默认 encoding,gb平台上是gb2312，英文平台上是iso8859_1。Java的编译器实际上是调用sun.tools.Javac.main 的类，对文件进行编译，这个类有compile函数中间有一个encoding的变量,-encoding的参数其实直接传给encoding变量。编译器就是根据这个变量来读取Java文件的，然后把用utf-8形式编译成class文件。例子代码：

String str = "你"; 
FileWriter writer = new FileWriter("text.txt"); 
write.write(str); 
writer.close();

如果用gb2312编译，你会找到e4 bd a0的字段 ； 
如果用8859_1编译， 00c4 00e3的二进制： 
0000，0000 ，1100，0100 ，0000，0000 ，1110，0011 
因为每个字符都大于7位，因此用11位编码： 
1100，0001，1000，0100，1100，0011，1010，0011 
c1-- 84--　c3--　 a3 
你会找到c1 84 c3 a3

但是我们往往忽略掉这个参数，因此这样往往会有跨平台的问题：

样例代码在中文平台上编译，生成zhclass

样例代码在英文平台上编译，输出enclass

(1) zhclass在中文平台上执行ok,但是在英文平台上不行

(2) enclass在英文平台上执行ok,但是在中文平台上不行

原因是：

(1) 在中文平台上编译后，其实str在运行态的char[]是0x4f60,　在中文平台上运行，filewriter的缺省编码是gb2312,因此 chartobyteconverter会自动用调用gb2312的converter,把str转化成byte输入到fileoutputstream 中，于是0xc4,0xe3放进了文件。但是如果是在英文平台下，chartobyteconverter的缺省值是8859_1, filewriter会自动调用8859_1去转化str,但是他无法解释，因此他会输出"?"

(2) 在英文平台上编译后，其实str在运行态的char[]是0x00c4 0x00e3, 在中文平台上运行，中文无法识别，因此会出现??；在英文平台上，0x00c4-->0xc4,0x00e3->0xe3，因此 0xc4,0xe3被放进了文件。

六、其它原因：

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

设置浏览器的显示编码，如果response的数据是utf8编码，显示将是乱码，但是乱码和上述原因还不一样。

七、发生编码的地方：

1. 从数据库到Java程序 byte——〉char

2. 从Java程序到数据库 char——〉byte

3. 从文件到Java程序 byte——〉char

4. 从Java程序到文件 char——〉byte

5. 从Java程序到页面显示 char——〉byte

6. 从页面form提交数据到Java程序byte——〉char

7. 从流到Java程序byte——〉char

8. 从Java程序到流char——〉byte

可以使用配置过滤器的方法解决中文乱码的：

<web-app> 
<filter> 
<filter-name>RequestFilter</filter-name> 
<filter-class>net.golden.uirs.util.RequestFilter</filter-class> 
<init-param> 
<param-name>charset</param-name> 
<param-value>gb2312</param-value> 
</init-param> 
</filter> 
<filter-mapping> 
<filter-name>RequestFilter</filter-name> 
<url-pattern>*.Jsp</url-pattern> 
</filter-mapping> 
</web-app>

public void doFilter(ServletRequest req, ServletResponse res, 
FilterChain fChain) throws IOException, ServletException { 
HttpServletRequest request = (HttpServletRequest) req; 
HttpServletResponse response = (HttpServletResponse) res; 
HttpSession session = request.getSession(); 
String userId = (String) session.getAttribute("userid"); 
req.setCharacterEncoding(this.filterConfig.getInitParameter("charset")); 
// 设置字符集？ 
//实际上是设置了byte ——〉char的encoding 
try { 
if (userId == null || userId.equals("")) { 
if (!request.getRequestURL().toString().matches( 
".*/uirs/logon/logon(Controller){0,1}\\x2EJsp$")) { 
session.invalidate(); 
response.sendRedirect(request.getContextPath() + 
"/uirs/logon/logon.Jsp"); 
} 
} 
else { 
// 看看是否具有信息上报系统的权限 
if (!net.golden.uirs.util.UirsChecker.check(userId, "信息上报系统", 
net.golden.uirs.util.UirsChecker.ACTION_DO)) { 
if (!request.getRequestURL().toString().matches( 
".*/uirs/logon/logon(Controller){0,1}\\x2EJsp$")) { 
response.sendRedirect(request.getContextPath() + 
"/uirs/logon/logonController.Jsp"); 
} 
} 
} 
} 
catch (Exception ex) { 
response.sendRedirect(request.getContextPath() +"/uirs/logon/logon.Jsp"); 
} 
fChain.doFilter(req, res);