locale错误导致Java中文乱码错误的总结

线上执行MapReduce任务计算时，经过排查发现了某些服务器计算的数据出现中文乱码问题，但是服务器的配置是完全一致的。由于我们使用的key可能包含中文，中文乱码问题体现在每次合并map记录的时候计算数据的随机性，每次执行的结果都不一样（由于Map任务执分配的随机性）。

（注：此文章大部分都参考了同事查找到的问题解决方法。）

 

在执行Java进程的过程中，通过命令：jinfo＋Java进程号 可以查看java进程运行的一些环境信息，其中也包括-D设置的相关参数。

 

截取的所有信息中，我们比较感兴趣的是下面两行配置：

file.encoding = ANSI_X3.4-1968
sun.jnu.encoding = ANSI_X3.4-1968

 

而其他DataNode上MR进程的相关配置，按照常理来说，这个错误是不应该发生的。

sun.jnu.encoding = UTF-8
file.encoding = UTF-8

 

考虑到出问题的那台机器在某天重启过，定位在某次重启时执行的环境问题。执行

 

• 如果将这台服务器下线，任务执行成功；
• 如果将任务全部加上对于这里面的两个属性，就会肯定成功，因为此时已经被改变：

java -Dsun.jnu.encoding=UTF-8 -Dfile.encoding=UTF-8 ${mainClass}

 

参考了下面一篇文章协助解决这个问题：

http://happygiraffe.net/blog/2009/09/24/java-platform-encoding/

 

临时的解决方案，或者将这台服务器执行下线操作，或者将整个集群的mapreduce.admin.map(reduce).child.java.opts设置上加入这两个参数，保证后续所有的MR任务都使用这两个参数。

 

那么问题始终是要找到原因的，于是马上补充一下关于locale的相关知识，下面ubuntu wiki上的内容算是说的比较全面的：

http://wiki.ubuntu.org.cn/Locale

 

执行locale命令，可以得出所有的locale信息（本机的环境并没有问题，ssh到服务器上执行出来的结果也正确）：

LANG="zh_CN.UTF-8"
LC_COLLATE="zh_CN.UTF-8"
LC_CTYPE="zh_CN.UTF-8"
LC_MESSAGES="zh_CN.UTF-8"
LC_MONETARY="zh_CN.UTF-8"
LC_NUMERIC="zh_CN.UTF-8"
LC_TIME="zh_CN.UTF-8"
LC_ALL=

 

按照wiki的说明，总共分为12个大类：

• 语言符号及其分类(LC_CTYPE)
• 数字(LC_NUMERIC)
• 比较和排序习惯(LC_COLLATE)
• 时间显示格式(LC_TIME)
• 货币单位(LC_MONETARY)
• 信息主要是提示信息,错误信息, 状态信息, 标题, 标签, 按钮和菜单等(LC_MESSAGES)
• 姓名书写方式(LC_NAME)
• 地址书写方式(LC_ADDRESS)
• 电话号码书写方式(LC_TELEPHONE)
• 度量衡表达方式(LC_MEASUREMENT)
• 默认纸张尺寸大小(LC_PAPER)
• 对locale自身包含信息的概述(LC_IDENTIFICATION)。

 

其中的设置又分为相应的优先级，LC_ALL>LC_*>LANG，LC_ALL是最上级设定或者强制设定，而LANG是默认设定值，当前集群中的所有服务器都没有进行这些参数的手动设置。

 

经过检查，发现mac的字符集确实与其他的有所不同，具体可以参考下面这篇文章：

http://blog.shlrm.org/blog/2012/10/04/osx-java-utf-8-oh-my/

 

其中说到了：

“Mac OSX uses a special kind of decomposed UTF-8 to store filenames. If you need to read in filenames and write them to a ‘normal’ UTF-8 file, you must normalize them. My understanding of this is that when you pass a name with an accented character like é, it will decompose this into e plus ’ before saving it to the filesystem (this behavior is defined by the Unicode standard).”

 

我们的远程服务器并没有显示地指定LC_*参数，那么就会出现本机登陆的相关locale信息被带到远程服务器上。由于Mac中如果没有设置默认则为：

LC_CTYPE=UTF-8

 

这个参数会被带到相关的服务器节点中，服务器的操作系统为CentOS，而在CentOS中并没有UTF-8这个值，可以被设置为zh_CN.UTF-8或者en_US.UTF-8这两种类型，而Mac上的UTF-8是无效的。

 

而Java虚拟机在启动的时候，会根据LC_CTYPE来决定sun.jnu.encoding和file.encoding的设置，由于Mac带过来的设置是非法的，导致这两个值被设置成：ANSI_X3.4-1968，这也是其他两个mac用户亲身实践得到的经验（Mac用户的优越感造就了一个大坑…），哈哈。

 

最后，通过手动改变服务器启动加载的配置文件/etc/profile，强制显示地设置locale参数来Fix这个问题，这也是比较推荐的方式（相对于改变java参数来说）。

export LANG=en_US.UTF-8
export LC_CTYPE=en_US.UTF-8
export LC_NUMERIC=en_US.UTF-8
export LC_TIME=en_US.UTF-8
export LC_COLLATE=en_US.UTF-8
export LC_MONETARY=en_US.UTF-8
export LC_MESSAGES=en_US.UTF-8
export LC_PAPER=en_US.UTF-8
export LC_NAME=en_US.UTF-8
export LC_ADDRESS=en_US.UTF-8
export LC_TELEPHONE=en_US.UTF-8
export LC_MEASUREMENT=en_US.UTF-8
export LC_IDENTIFICATION=en_US.UTF-8
export LC_ALL=en_US.UTF-8