中文乱码详解

一、几种编码方式介绍

1、Unicode、UTF－8 和 ISO8859-1和乱码问题

在下面的描述中,将以"中文"两个字为例,经查表可以知道其GB2312编码是"d6d0 cec4",Unicode编码为"4e2d 6587",UTF编码就是"e4b8ad e69687"。注意,这两个字没有iso8859-1编码,但可以用iso8859-1编码来"表示"。

2. 编码基本知识

最早的编码是iso8859-1,和ascii编码相似。但为了方便表示各种各样的语言,逐渐出现了很多标准编码,重要的有如下几个。

2.1. iso8859-1

属于单字节编码,最多能表示的字符范围是0-255,应用于英文系列。比如,字母a的编码为0x61=97。

很明显,iso8859-1编码表示的字符范围很窄,无法表示中文字符。但是,由于是单字节编码,和计算机最基础的表示单位一致,所以很多时候,仍旧使用 iso8859-1编码来表示。而且在很多协议上,默认使用该编码。比如,虽然"中文"两个字不存在iso8859-1编码,以gb2312编码为例,应该是"d6d0 cec4"两个字符,使用iso8859-1编码的时候则将它拆开为4个字节来表示:"d6 d0 ce c4"(事实上,在进行存储的时候,也是以字节为单位处理的)。而如果是UTF编码,则是6个字节"e4 b8 ad e6 96 87"。很明显,这种表示方法还需要以另一种编码为基础。

2.2. GB2312/GBK

这就是汉子的国标码,专门用来表示汉字,是双字节编码,而英文字母和iso8859-1一致(兼容iso8859-1编码)。其中gbk编码能够用来同时表示繁体字和简体字,而 gb2312只能表示简体字,gbk是兼容gb2312编码的。

2.3. unicode

这是最统一的编码,可以用来表示所有语言的字符,而且是定长双字节(也有四字节的)编码,包括英文字母在内。所以可以说它是不兼容iso8859-1编码的,也不兼容任何编码。不过,相对于iso8859-1编码来说,uniocode编码只是在前面增加了一个0字节,比如字母a为"00 61"。

需要说明的是,定长编码便于计算机处理(注意GB2312/GBK不是定长编码),而unicode又可以用来表示所有字符,所以在很多软件内部是使用 unicode编码来处理的,比如java。

2.4. UTF

考虑到unicode编码不兼容iso8859-1编码,而且容易占用更多的空间:因为对于英文字母,unicode也需要两个字节来表示。所以unicode不便于传输和存储。因此而产生了utf编码,utf编码兼容iso8859-1编码,同时也可以用来表示所有语言的字符,不过,utf编码是不定长编码,每一个字符的长度从1-6个字节不等。另外,utf编码自带简单的校验功能。一般来讲,英文字母都是用一个字节表示,而汉字使用三个字节。

注意,虽然说utf是为了使用更少的空间而使用的,但那只是相对于unicode编码来说,如果已经知道是汉字,则使用GB2312/GBK无疑是最节省的。不过另一方面,值得说明的是,虽然utf编码对汉字使用3个字节,但即使对于汉字网页,utf编码也会比unicode编码节省,因为网页中包含了很多的英文字符。

3. java对字符的处理

在java应用软件中,会有多处涉及到字符集编码,有些地方需要进行正确的设置,有些地方需要进行一定程度的处理。

3.1. getBytes(charset)

这是java字符串处理的一个标准函数,其作用是将字符串所表示的字符按照charset编码,并以字节方式表示。注意字符串在java内存中总是按unicode编码存储的。比如"中文",正常情况下(即没有错误的时候)存储为"4e2d 6587",如果charset为"gbk",则被编码为"d6d0 cec4",然后返回字节"d6 d0 ce c4"。如果charset为"utf8"则最后是"e4 b8 ad e6 96 87"。如果是"iso8859-1",则由于无法编码,最后返回 "3f 3f"(两个问号)。

3.2. new String(charset)

这是java字符串处理的另一个标准函数,和上一个函数的作用相反,将字节数组按照charset编码进行组合识别,最后转换为unicode存储。参考上述getBytes的例子,"gbk" 和"utf8"都可以得出正确的结果"4e2d 6587",但iso8859-1最后变成了"003f 003f"(两个问号)。

因为utf8可以用来表示/编码所有字符,所以new String( str.getBytes( "utf8" ), "utf8" ) === str,即完全可逆。

3.3. setCharacterEncoding()

该函数用来设置http请求或者相应的编码。

对于request,是指提交内容的编码,指定后可以通过getParameter()则直接获得正确的字符串,如果不指定,则默认使用iso8859-1编码,需要进一步处理。参见下述"表单输入"。值得注意的是在执行setCharacterEncoding()之前,不能执行任何getParameter()。java doc上说明:This method must be called prior to reading request parameters or reading input using getReader()。而且,该指定只对POST方法有效,对GET方法无效。分析原因,应该是在执行第一个getParameter()的时候,java将会按照编码分析所有的提交内容,而后续的getParameter()不再进行分析,所以setCharacterEncoding()无效。而对于GET方法提交表单是,提交的内容在URL中,一开始就已经按照编码分析所有的提交内容,setCharacterEncoding()自然就无效。

对于response,则是指定输出内容的编码,同时,该设置会传递给浏览器,告诉浏览器输出内容所采用的编码。

参看链接https://jingyan.baidu.com/article/020278118741e91bcd9ce566.html

二、中文乱码原因及模拟

1、乱码场景

接受到的前台中文，在后台显示乱码。

参看另一篇博文：

https://www.cnblogs.com/szrs/p/12030764.html

https://www.cnblogs.com/yuanfy008/p/6937803.html#_label0

2、原因

Http请求传输时将url以ISO-8859-1编码，服务器收到字节流后默认会以ISO-8859-1编码来解码成字符流（造成中文乱码）。

因为中文字符在另一个系统是以UTF-8的编码方式存储的（存储的最小单元为字节），在通过http传输时，又将这个字节以ISO-8859-1编码，服务器接收到字节流后默认以ISO-8859-1编码格式来解码成字符流，故显示乱码。

以中文“你好”为例说明：

代码如下：

    package com.asd.reserve.utils.coding;

    import java.io.UnsupportedEncodingException;

    /**
     * @author zs
     * @date 2020/1/10 16:56
     */
    public class Codings {
        public static void main(String[] args) throws UnsupportedEncodingException {
            /*String str = "你好";
            byte[] bs = str.getBytes("iso-8859-1");
            for (byte b : bs) {
                System.out.println(b);
            }
            System.out.println(new String(bs,"iso-8859-1"));
            System.out.println(new String(bs,"utf-8"));
            System.out.println(new String(bs,"gbk"));
            System.out.println(new String(bs,"unicode"));

            */
            /*String str = "你好";//中文：你好，在java内存以unicode方式存储
            byte[] ut = str.getBytes("utf-8");//得到UTF-8编码格式的字节
            System.out.println(new String(ut,"iso-8859-1"));
            System.out.println(new String(ut,"utf-8"));
            System.out.println(new String(ut,"gbk"));
            System.out.println(new String(ut,"unicode"));*/


            byte[] ut1 = {-28,-67,-96,-27,-91,-67};//模拟前台以UTF-8编码方式存储的中文：你好
            String chuanshu = new String(ut1, "iso-8859-1");//http传输时会对ut1进行编码（编码方式为iso-8859-1）
            //将iso-8859-1格式的字节流传输到后台
            byte[] bytes = chuanshu.getBytes("iso-8859-1");
            System.out.println(new String(bytes,"iso-8859-1"));//后端接受时默认以iso-8859-1进行解码为中文：你好（乱码）
            System.out.println(new String(bytes,"utf-8"));//后端接受时以utf-8进行解码为中文：你好
        }
    }

输出结果：