java web中的中文编码问题

来源：互联网发布：为什么电脑打不开软件编辑：程序博客网时间：2024/04/30 09:59

前言

曾经在一个项目中遇到了中文编码的问题，花了好长时间才搞定，当时的需求是要根据前端传的参数（里面有中文）直接从后台导出excel，因为涉及二进制数据，所以不能用ajax，直接跳转页面用户体验好差，所以就在js端生成一个表单传给后台，设置表单action的url时遇到了这个问题，当时的解决方案是对中文参数两次encodeURL进行编码encodeURIComponent(encodeURIComponent($('input[name=name]').val()))，问题虽然解决了，但是什么原因一直不懂。直到看到许大神的这一章，才豁然开朗，所以将这些记录下来，和大家分享。

一、几种编码格式的简单比较

（几种编码格式详细介绍，请参考《深入分析java web技术内幕》第三章）
　　相对来说UTF-16编码效率最高，字符到直接相互转换更简单，进行字符串操作也更好。适合在本地磁盘和内存之间使用，可以进行字符和字节之间的快速切换。如：java的内存编码就采用UTF-16。但它不适合在网络之间传输，因为网络传输容易损坏字节流。一旦字节流损坏将很难恢复
　　UTF-8更适合网络传输，对ASCII字符采用单字节存储，另外单个字符损坏也不会影响后面的其他字符，在编码效率上结语GBK和UTF-16之间，所以UTF-8在编码效率上和编码安全上做了平衡，是理想的中文编码格式方式。

二、Java Web中涉及的编解码

　　对于使用中文来说，有I/O的地方就会涉及编码，前面已经提到了I/O操作会引起编码，而大部分I/O引起的乱码都是网络I/O，因为现在几乎所有的应用都涉及网络操作，而数据经过网络传输都是以字节为单位的，所以所有的数据都必须能够被序列化为字节。在java中数据要被序列化必须继承Serializable接口
　　所谓的压缩，只是将多个单字节字符通过编码转换成一个多字节字符。减少的是string.length()，而并没有减少最终的字节数。所以看一段文本的大小，看字符本身是没有意义的，即使是一样的字符采用不同的编码最终存储的大小也会不同，所以从字符到字节一定要看编码类型。
　　在java web中存在编码转换的地方有以下几处（从请求到返回如下图）：
　　1.用户从浏览器端发起一个HTTP请求，需要存在编码的地方是URL,Cookie，Paramiter。
　　2.服务器端介绍HTTP请求后要解析HTTP协议，其中URI，Cookie，和POST表单参数需要解码
　　3.服务器端可能还需要读取数据库中的数据——本地或网络中其他地方的文本文件，这些数据可能存在编码问题
　　4.档Servlet处理完所有请求的数据后，需要将这些数据再编码通过Socket发送到用户请求的浏览器中
　　5.浏览器经过解码称为文本
一次http请求的编码示例

（一）URL的编解码

　　用户提交一个URL，这个URL中可能存在中文，因此需要编码。一个URL通常由以下几个部分组成，如下图
URL的几个组成部分

　　以Tomcat作为Servlet Engine为例，它们分别对应到下面这些配置文件中：
　　　1.Port在Tomcat的< Connector port=”8080”>中配置（该connector在%CATALINA_HOME%/conf/server.xml中< Service>下）
　　　2.Context Path在< Context path=”/examples”>中配置（该context配置在%CATALINA_HOME%/conf/server.xml中< host>下）
　　　3.Servlet Path 在Web应用的web.xml中的< url-pattern>中配置
　　　4.PathInfo是我们请求的具体的Servlet
　　　5.QueryString是要传递的参数
　　在编码方面，浏览器对PathInfo和QueryString的编码是不一样的，而不同浏览器对PathInfo的编码也可能不一样。
　　至于解码，对URL的URI部分进行解码的字符集实在connector的< Connector URIEncoding=“UTF-8”>中定义的，如果没有定义，那么将以默认编码ISO-8859-1解析。所以如果有中文URL时最好把URIEncoding设置成UTF-8编码。
　　QueryString又如何解析呢？GET方式HTTP请求的QueryString于POST方式HTTP请求的表单参数都是作为Parameters保存的，都通过request.getParameter获取参数值。对它们的解码是在request.getParameter方法第一次被调用的时进行的。POST表单的解码在后面介绍，先看GET方式的QueryString的解码字符集要么是在Header中ContentType定义的Charset，要么就是默认的ISO-8859-1，要使用ContentType中定义的编码，就要将connect的< Connector URIEncoding=”UTF-8” useBodyEncodingForURI=”true”/>中的useBodyEncodingForURI设置为true。这个配置项的名字有点容易让人产生混淆，它并不是对整个URI都采用BodyEncoding进行解码，而仅仅是对QueryString使用BodyEncoding解码，这一点要特别注意。
　　由此来看，在URL中也只有QueryString的解码是我们能在程序里控制的。（再服务器端最好设置< Connector/>中的URIEncoding和useBodyEncodingForURI两个参数）

（二）HTTP Header的编解码

　　对header中的项进行编码也是在调用request．getHeader时进行的，如果请求的Header项没有解码，则调用MessageBytes的toString方法，这个方法从byte到char的转化时使用的默认编码也是ISO-8859-1，而我们也不能设置Header的其他解码格式
　　由此看来，不要在Header中传递非ASCII字符，如果一定要传递，可以先将这些字符用org.apache.catalina.util.URLEncoder编码，然后再添加到Header中，我们要访问这些项时再按照相应的字符集解码就好了。

（三）POST表单的编解码

　　前面提到了POST表单提交参数解码实在第一次调用request.getParameter时发生的，POST表单参数传递方式与QueryString不同，它是通过HTTP的BODY传递到服务端的。
　　当我们在网页上单击提交按钮时，浏览器首先根据ContentType （在jsp中是通过<%@ page contentType=”text/html;charset=UTF-8”%>来设置的）的Charset编码格式对表单天的参数进行编码，然后提交到服务器端，在服务器端同样也是用ContentType中的字符集进行解码的。所以通过表单提交的参数一般不会出现问题，而且这个字符集编码是我们自己设置的，可以通过request.setCaracterEncoding(charset)来设置
　　注意，你一定要在第一次调用request.getParameter方式之前就设置request.setCaracterEncoding(charset)，否则你的POST表单提交上来的数据也可能出现乱码
　　针对multipart/form-data类型的参数，也就是上传的文件编码，同样也使用ContentType定义的字符集编码。这里有一个值得注意的地方是，上传文件是用字节流的方式传输到服务器的本地临时目录，这个过程并没有涉及字符编码，而真正编码是在将文件内容添加到parameters中时进行的，如果用这个不能编码将会用默认编码ISO-8859-1来编码

（四）HTTP BODY的编解码

　　当用户请求的资源已经成功获取后，这些内容将通过Response返回给客户端浏览器，这个过程要经过编码再到浏览器进行解码，编解码字符集可以通过response.setCaracterEncoding(charset)来设置，它将会覆盖request.getCharacterEncoding的值，并且通过Header的Content-Type返回客户端，浏览器接收到返回的Socket流时将通过Content-Type来解码。如果返回的HTTP Header中Content-Type没有设置charset，那么浏览器将根据HTML的< meta HTTP-equiv=”Content-Type” content=”text、html; charset=GBK” />中的charset来解码。如果这里面也没有定义，那么浏览器将使用默认的编码来解码

（五）数据库的编解码

　　访问数据库都是通过客户端JDBC驱动来完成的，用JDBC来存取数据要和数据的内容编码保持一致，可以通过设置JDBC URL来指定，如：MySQL: url=”jdbc:mysql://localhost:3306/DB?useUnicode=true&characterEncodin=GBK”
　　

三、JS中的编码问题

（一）外部引入JS文件

　　如果在一个单独的js文件包含字符串输入的情况，如：

<html><head><script src="statics/javascript/script.js" charset="gbk"></script>

　　引入一个script.js脚本，这个脚本中有如下代码：

document.srite("这是一段中文");

　　如果外部的JS文件的编码格式与当前页面的编码格式一致，那么可以不设置这个charset。但是如果script.js文件的编码格式与当前页面的不一致
　　

（二）JS的URL编码

　　实际上JS中处理URL编码的有三个函数，只要掌握着三个函数，基本上就能正确处理JS的URL乱码问题了

1、escape()

　　这个已从ECMAScript v3删除，编解码参看下面两个

2、encodeURL()

　　它是js真正用来对URL编码的函数，它可以将整个URL中的字符（除了一些特殊字符，如！＃＄＇（）＊＋，－．：；／＝？＠～0-9 a-z A-Z）进行UTF-8编码，在每个码值前加上”%”，如下图：这里写图片描述
　　解码通过decodeURI函数，如图：
　　

3、encodeURIComponent()

　　encodeURIComponent()这个函数比encodeURL()编码还要彻底，它除了对！＇（）＊_．：；／＝？＠～0-9 a-z A-Z 这几个字符不编码外，其他所有字符都编码，这个函数通常将一个URL当做一个参数放在另一个URL中，如下图：
　　这里写图片描述
　　它可以将HTTP://localhost/servlet/君山?a=c&a=b作为一个参数放到另一个URL中，如果不进行encodeURIComponent()编码，后面URL中的&将会影响前面的URL的完整性，解码通过decodeURIComponent()，如下图
　　

4、Java与JS编解码问题

　　java端处理URL编解码有两个类，分别是java.net.URLEncoder 和 java.net.URLDecoder。这两个类可以将所有“%”加UTF-8码值用URT-8解码，从而得到原始的字符。值得注意的是，如果前段用encodeURIComponent编码后，到服务器端用URLDecoder解码可能会出现乱码，这是因为两个字符编码类型不一致导致的，JS编码默认是UTF-8，而服务端中文解码一般都是GBK或者GB2313，所以用encodeURIComponent编码后是UTF-8，而java用GBK解码显然不对。解决方案是用encodeURIComponent两次编码，如encodeURIComponent(encodeURIComponent(str))，这样在java端通过request.getParamter（）yong GBK解码后取得的就是UTF-8编码的字符串，如果java端需要使用这个字符串，再用UTF-8解码一次，如果是将这个结果直接通过js输出到前端，那么这个UTF-8字符串可以直接在前端正常显示。

（三）其他需要编码的地方

　　除了URL和参数编码问题外，在服务端还有很多地方可能存在编码，如可能需要读取XML，Velocity模板引擎，JSP或者从数据库读取数据等。
　　XML文件可以通过设置头来制定编码格式：

<?xml version="1.0" encoding="UTF-8"?>

　　Velocity模板设置编码格式：

services.VelocityService.input.encoding=UTF-8

　　JSP设置编码格式：

<% @page contentType="text/html; charset=UTF-8"%>

参考：

 《深入分析java web技术内幕》 许令波

0 0