|
內(nèi)容摘要：
Java對(duì)輸入輸入首先有一個(gè)“字節(jié)流”到“字符流”之間的編碼/解碼過程，這個(gè)設(shè)置是根據(jù)系統(tǒng)配置決定的，為什么PHP之類的應(yīng)用很少有字符集問題而Java有很好的國際化機(jī)制，卻經(jīng)常出現(xiàn)亂碼問題呢？
簡(jiǎn)單的舉例：
有一個(gè)包含“你好”這2個(gè)中文字的文件實(shí)際上是4個(gè)字節(jié)組成的：C4 E3 BA C3
在英文操作系統(tǒng)中缺省的編碼解碼方式是缺省編碼方式是ISO8859，所以直接從文件中讀取的結(jié)果是4個(gè)的字節(jié)，按ISO8859解碼后在程序中操作的是4個(gè)Java字符，雖然每個(gè)JAVA字符是16位Unicode，但每個(gè)字符仍是8位字節(jié)的映射\u00C4\u00E3\u00BA\u00C3，因此處理的仍是“英文”。而顯示過程中，是瀏覽器將字節(jié)流正確的顯示成了相應(yīng)的中文。
而一個(gè)Java應(yīng)用在GBK編碼方式的操作系統(tǒng)中，直接從文件中讀取4個(gè)的字節(jié)后，按GBK方式解碼后是2個(gè)16位的Java字符\u4F60\u597D，每個(gè)字都是相應(yīng)Unicode的CJK區(qū)塊所對(duì)應(yīng)的中文。
更多的例子請(qǐng)參考：Java的中文處理學(xué)習(xí)筆記
這也就是為什么在php等應(yīng)用很少出字符集問題的原因：在服務(wù)器端環(huán)境缺省一般是英文（ISO8859-1），等于全部處理使用的都是按字節(jié)方式處理的。數(shù)據(jù)輸入輸出過程中編碼方式完全不被改動(dòng)，因此亂碼問題很少出現(xiàn)。而Java實(shí)際上提供了把每個(gè)中文直接當(dāng)成1個(gè)“字”而不是2個(gè)字節(jié)處理的機(jī)制，主要的亂碼問題往往是輸入輸出時(shí)編碼解碼方式不一致造成的。而且通過Unicode機(jī)制，程序除了實(shí)現(xiàn)程序界面根據(jù)本地化的適應(yīng)外，甚至程序處理的內(nèi)容本身的在不同字符集的操作系統(tǒng)中也是可以通用的，比如：在繁體中文操作系統(tǒng)中編輯的內(nèi)容，在簡(jiǎn)體中文操作系統(tǒng)中也能正常的查詢。以下例子可能更說明問題：
- JAVA應(yīng)用的中文問題：如何通過GNU/Linux系統(tǒng)的本地化設(shè)置讓JAVA應(yīng)用支持中文
- Java Web應(yīng)用設(shè)計(jì)中的中文問題：通過web.xml設(shè)置解決URLEncoder.encode()方法和系統(tǒng)缺省編碼方式相關(guān)的問題
- 以GOOGLE的搜索引擎為例：說明如何將國際化和本地化應(yīng)用到自己的應(yīng)用設(shè)計(jì)中(UniCode inside Localization outsite)
通過GNU/Linux系統(tǒng)的本地化設(shè)置讓JAVA應(yīng)用支持中文
Java 編程技術(shù)中漢字問題的分析及解決這篇直到最近還經(jīng)常被一些網(wǎng)站轉(zhuǎn)貼的文章中有一個(gè)例子說明了很多中國程序員遇到漢字亂碼問題的思路："GB2312 it"（漢化）
原文如下：
>>>>>>>
......前不久，我的一位技術(shù)上的朋友發(fā)信給我說，他終于找到了 Java Servlet 中文問題的根源。兩周以來，他一直為 Java Servlet 的中文問題所困擾，因?yàn)槊棵鎸?duì)一個(gè)含有中文字符的字符串都必須進(jìn)行強(qiáng)制轉(zhuǎn)換才能夠得到正確的結(jié)果（這好象是大家公認(rèn)的唯一的解決辦法）。后來，他確實(shí)不想如此繼續(xù)安分下去了，因?yàn)檫@樣的事情確實(shí)不應(yīng)該是高級(jí)程序員所要做的工作，他就找出 Servlet 解碼的源代碼進(jìn)行分析，因?yàn)樗麘岩蓡栴}就出在解碼這部分。經(jīng)過四個(gè)小時(shí)的奮斗，他終于找到了問題的根源所在。原來他的懷疑是正確的， Servlet 的解碼部分完全沒有考慮雙字節(jié)，直接把 %XX 當(dāng)作一個(gè)字符。（原來 Java Soft 也會(huì)犯這幺低級(jí)的錯(cuò)誤?。?/I>
如果你對(duì)這個(gè)問題有興趣或者遇到了同樣的煩惱的話，你可以按照他的步驟對(duì) Servlet.jar 進(jìn)行修改：
找到源代碼 HttpUtils 中的 static private String parseName ，在返回前將 sb（StringBuffer） 復(fù)制成 byte bs[] ，然后 return new String(bs,”GB2312”)。作上述修改后就需要自己解碼了：
HashTable form=HttpUtils .parseQueryString(request.getQueryString())或者
form=HttpUtils.parsePostData(……)
千萬別忘了編譯后放到 Servlet.jar 里面。
......
<<<<<<<<<
請(qǐng)問這位“高級(jí)”程序員幾個(gè)問題：
- 如果這是一個(gè)商業(yè)產(chǎn)品的話，難道客戶需要你Hacking過的Servlet.jar才運(yùn)行這個(gè)應(yīng)用嗎？
- 難道這個(gè)產(chǎn)品只能用在中文平臺(tái)的GB2312上嗎？如果是日文應(yīng)用怎么辦，如法Hacking嗎？
也許我錯(cuò)了，但我的感覺是犯低級(jí)錯(cuò)誤的不是JAVA：
- 首先，在Servlet層就不應(yīng)該考慮中文輸出的問題，因?yàn)椋贛VC的設(shè)計(jì)模式中，Servlet主要的角色是Contrallor，所以，在這一層中，數(shù)據(jù)應(yīng)該最好還是Unicode形式，在最后讓Jsp或者通過xslt做針對(duì)客戶端瀏覽器的輸出時(shí)，再需要考慮本地字符集編碼的問題。
- 作為一個(gè)標(biāo)準(zhǔn)的國際化應(yīng)用，JAVA應(yīng)用的缺省編碼方式不應(yīng)該是在WEB應(yīng)用這一層設(shè)置的，而是JVM根據(jù)系統(tǒng)缺省編碼方式根據(jù)操作系統(tǒng)的環(huán)境設(shè)置(locale, 包括字符集，日期格式等本地化環(huán)境)改變來實(shí)現(xiàn)。
如何設(shè)置可以讓GNU/Linux從系統(tǒng)層次就支持中文編碼（讓JVM缺省的file.encoding就按照中文GB2312或者GBK進(jìn)行編碼解碼）呢？
以上這篇文章發(fā)表在2000年年底，當(dāng)時(shí)的GNU/Linux的內(nèi)核是基于glibc-2.1開發(fā)的，而GLIBC2.1對(duì)中文的locale支持還有限，因此，在GNU/Linux上不能根據(jù)locale的設(shè)置將系統(tǒng)缺省的編碼方式變成GB2312，從而改變JVM缺省的編碼方式。關(guān)于GNU/Linux對(duì)l10n的支持請(qǐng)看：GNU/Linux程序員必讀：中文化與GB18030標(biāo)準(zhǔn)。所以在redhat6.x下，無論你怎么設(shè)置locale，系統(tǒng)缺省的缺省file.encoding都是ISO_8859_1。
在redhat7.x 系統(tǒng)內(nèi)核所基于的glibc-2.2.x對(duì)l10n有了更完整的支持，所以可以通過設(shè)置
LC_ALL=zh_CN.GB2312;export LC_ALL
LANG=zh_CN.GB2312;export LANG
讓系統(tǒng)缺省的編碼方式變成GB2312。JVM會(huì)根據(jù)系統(tǒng)的缺省編碼方式設(shè)置系統(tǒng)的file.encoding屬性。之后，應(yīng)用中任何字節(jié)流到字符流的轉(zhuǎn)換，JVM都會(huì)按照這一系統(tǒng)缺省編碼方式進(jìn)行轉(zhuǎn)換。因此在基于glibc-2.2以上的GNU/Linux上是可以通過locale的設(shè)置來改變系統(tǒng)缺省的編碼方式，從而改變上層Java應(yīng)用的缺省編碼、解碼方式的。
locale設(shè)置對(duì)JVM file.encoding的影響可以我通過做過的一個(gè)試驗(yàn)說明：hello_unicode.html
由此可見：
- GNU/Linux是依靠GNU的工具發(fā)展起來的：沒有GNU就沒有GNU/Linux。所以GNU/Linux對(duì)本地化的支持，也是在核心的glibc-2.2.x對(duì)中文locale有了更好的支持以后才逐步發(fā)展起來的。
- GNU/Linux對(duì)國際化的支持遠(yuǎn)遠(yuǎn)落后于WINDOWS SOLARIS等商業(yè)操作系統(tǒng)：2年甚至更多。
通過web.xml設(shè)置解決URLEncoder.encode()方法和系統(tǒng)缺省編碼方式相關(guān)的問題
在我所理解的范圍內(nèi)，J2SE 1.3中非常不符合Java的國際化規(guī)范的是在使用URLEncoder的時(shí)候：
比如在中文WIN98上運(yùn)行的應(yīng)用，使用URLEncoder.encode(String s)時(shí)：比如“中文”這2個(gè)字符直接被Encoding的話結(jié)果是"%3F%3F"=>"??"。原因很簡(jiǎn)單，“中文”在encode()過程中應(yīng)該先按GBK編碼方式編碼成4個(gè)字節(jié)（\u00d6\u00d0\u00ce\u00c4）后再進(jìn)行URLEncoding才是正確的。這個(gè)在J2SE1.4中也修正了。方法encode(String s)已經(jīng)不鼓勵(lì)使用，取而代之的是除了需要進(jìn)行URLEncoding的字符串外，同時(shí)需要指定字符串編碼方式的encode(String s, String enc)。這樣，URLEncoder就可以和系統(tǒng)缺省的編碼方式無關(guān)了。
在J2SE1.3下一個(gè)WEB應(yīng)用如果有這個(gè)問題可以通過在WEB-INF/web.xml中設(shè)置character-encoding來解決：
<web-app character-encoding="your_system_default_file.encoding">
...
</web-app>
比如：產(chǎn)品是在中文WINDOWS98中運(yùn)行，系統(tǒng)缺省字符集是用GBK，則這個(gè)應(yīng)用的web.xml需要設(shè)置成：
<web-app character-encoding="GBK">
...
</web-app>
UniCode inside, Localization outsite
以上2個(gè)方法仍然只是讓應(yīng)用更方便地本地化了，而應(yīng)用本身并不是真正的國際化應(yīng)用。設(shè)想一下如何設(shè)計(jì)一個(gè)全球的論壇系統(tǒng)：可以讓中文和日文的用戶都可以方便的瀏覽發(fā)表呢？在數(shù)據(jù)中間處理階段應(yīng)該以那種字符集存儲(chǔ)呢？答案很簡(jiǎn)單：UniCode。以前很多文章都有關(guān)于如何設(shè)計(jì)一個(gè)國際化界面的介紹，只是應(yīng)用的本地化界面輸出，但很少提及數(shù)據(jù)在中間處理過程中如何適應(yīng)國際化。
輸入和存儲(chǔ)階段就用UniCode方式進(jìn)行處理和存儲(chǔ)，以方便應(yīng)用以后的國際化。GOOGLE的設(shè)計(jì)就是一個(gè)非常好的國際化應(yīng)用榜樣，我以GOOGLE搜索引擎的國際化支持為例說明如何實(shí)現(xiàn)國際化應(yīng)用的設(shè)計(jì)。
GOOGLE用戶經(jīng)常有這樣的感覺：
- 為什么我第一次去GOOGLE，出現(xiàn)的就是中文的界面？
- 為什么在所有網(wǎng)站中查中文：有時(shí)候還會(huì)匹配到日文網(wǎng)站的結(jié)果？比如：就以"google 秘密"這個(gè)查詢?yōu)槔何覀冊(cè)谳斎肟蜉斎?google 秘密"
http://www.google.com/search?hl=zh-CN&newwindow=1&q=google+%C3%D8%C3%DC&btnG=Google%CB%D1%CB%F7&lr=
首先我將GOOGLE對(duì)查詢的處理流程簡(jiǎn)單的說明如下：
- 客戶端瀏覽器輸入；
- 查詢字符串按客戶端系統(tǒng)編碼方式（GBK）轉(zhuǎn)換成字節(jié)流，并URL Encode后傳給GOOGLE；
- GOOLGE將輸入的字符串URL Decode后，按照客戶端的系統(tǒng)編碼方式將這個(gè)字符串（字節(jié)串）解碼成UniCode
- 查詢過程，完全是基于UniCode的匹配過程，比如對(duì)于“中文”這2個(gè)字在簡(jiǎn)體繁體中文和日文里都有，因此無論是何種語言的頁面包含這2個(gè)字的頁面都能匹配上。
- 結(jié)果集輸出：將查詢結(jié)果集的內(nèi)容（UNICODE）按客戶端系統(tǒng)編碼方式（GBK）“編碼”成的字節(jié)流，返回給瀏覽器
具體說明：
- GOOGLE如何識(shí)別出瀏覽器使用的“界面語言”：GOOGLE獲得這個(gè)查詢字符串的同時(shí)，一般會(huì)根據(jù)hl=zh-CN這個(gè)參數(shù)，知道了客戶端使用的字符集編碼方式，如果用戶第一次訪問：GOOGLE會(huì)根據(jù)瀏覽器的發(fā)送的請(qǐng)求中包含的Accept language: zh_cn這個(gè)頭信息來判別，這就是為什么現(xiàn)在很多用戶第一次去GOOGLE的時(shí)候它就能自動(dòng)識(shí)別出來的原因。這個(gè)參數(shù)在之后的查詢和翻頁過程中通過cookie保存，并通過get方式一直傳遞給GOOGLE（因此你也可以使用使用偏好設(shè)置界面語言），從而可靠地識(shí)別出客戶端的編碼方式。
- GOOGLE如何查詢：也許從URL上你可以看到：傳過去的“秘密”這個(gè)查詢實(shí)際上是%C3%D8%C3%DC=>"秘密"這2個(gè)字按GBK（WINDOWS客戶端缺省的編碼方式）編碼方式的4個(gè)字節(jié)然后再URLEncode后的形式（關(guān)于中文編碼方式請(qǐng)參考：漢字的編碼方式），GOOGLE將查詢字符串按這個(gè)編碼方式解碼并轉(zhuǎn)成UniCode，然后用這個(gè)UniCode編碼方式的字符串進(jìn)行內(nèi)部的查詢操作。而任何語言的頁面都是先轉(zhuǎn)換成UniCode后存儲(chǔ)在GOOGLE的數(shù)據(jù)索引庫里的。在UniCode中日文和中文寫法一樣的字，用的是同樣的編碼。因此，如果你沒有指定語言過濾的話，日文網(wǎng)頁的結(jié)果就首先被命中了；因此，對(duì)于中文客戶端的查詢：如果相應(yīng)字符在UniCode中和繁體，日文映射的字一樣，就可以匹配到相應(yīng)的日文網(wǎng)頁，繁體中文網(wǎng)頁...，GOOGLE的查詢結(jié)果也首先是UniCode的，最后將UniCode結(jié)果按照客戶端的編碼方式轉(zhuǎn)換成字節(jié)流，返回到客戶端。
從以上的分析中我們可以看出：UniCode非常漂亮的解決了應(yīng)用的國際化問題。對(duì)于應(yīng)用前端來說，剩下的工作就是根據(jù)本地編碼環(huán)境進(jìn)行本地化的過程了。
- 數(shù)據(jù)從輸入的開始，就全部先轉(zhuǎn)換成UniCode，然后再進(jìn)行處理，并按照UniCode方式集中存儲(chǔ)(UniCode inside)
- 數(shù)據(jù)輸出過程中，只是在最后輸出到客戶端的時(shí)候，按照客戶端的本地化設(shè)置將UniCode數(shù)據(jù)轉(zhuǎn)換成本地字符集，并配以相應(yīng)語言/字符的界面(Localization outside)
如果應(yīng)用的開發(fā)只是滿足于在國內(nèi)市場(chǎng)自給自足，“漢化”的思路的大量出現(xiàn)是很自然的。但要是把“漢化”比作UCDOS和RichWin的話，那么這種漢化方式遲早要被內(nèi)核漢化的WIN95淘汰的。畢竟核心級(jí)別對(duì)國際化的支持才是一個(gè)真正簡(jiǎn)化前端應(yīng)用設(shè)計(jì)、通用的解決方案。Microsoft和Sun等國際化大公司的產(chǎn)品從一開始就是為全球市場(chǎng)設(shè)計(jì)的，因此對(duì)國際化的支持一致非常重視。相比之下國內(nèi)軟件行業(yè)對(duì)相應(yīng)國際標(biāo)準(zhǔn)顯然重視不足，也很少積極地參與相關(guān)標(biāo)準(zhǔn)制定。
參考文檔：
Java i18n
http://java./docs/books/tutorial/i18n/index.html
Linux 國際化本地化和中文化
http://www./doc/i18n-new.html
GNU/Linux 程序員必讀：中文化與GB18030標(biāo)準(zhǔn)
http://www./tech/os/2001/07/31/58_2811.html
UniCode FAQ
http://www.cl./~mgk25/UniCode.html
http://www./books/UTF-8-UniCode.html （中文版）
Java 編程技術(shù)中漢字問題的分析及解決
http://www-900.ibm.com/developerWorks/cn/java/java_chinese/index.shtml
漢字的編碼方式：
http://www./cjk/ana17.htm
*注釋：l10n i18n都是縮寫：用的是英文單詞的首尾字母和其間字母?jìng)€(gè)數(shù)
l10n: localization 本地化
i18n: internationalization 國際化
|
