GBK,UTF-8,和ISO8859-1之间的编码与解码 柔光的暖阳◎ 2022-05-18 05:59 77阅读 0赞 # 1.编码基础知识 # 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。 ## 1.1. iso8859-1 通常叫做Latin-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(java字符占2个字节),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 ## 这就是汉字的国标码,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。 ## 1.3 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。 ## 1.4 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。 # 2.Unicode、UTF-8 和 ISO8859-1到底有什么区别 # 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。 # 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,**POST方法**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。 ** 注意:**iso-8859-1是JAVA网络传输使用的标准字符集,而gb2312是标准中文字符集,当你作出提交表单等需要网络传输的操作的时候,就需要把 iso-8859-1转换为gb2312字符集显示,否则如果按浏览器的gb2312格式来解释iso-8859-1字符集的话,由于2者不兼容,所以会 是乱码. 例子: <table> <tbody> <tr> <td> <p>1</p> <p>2</p> <p>3</p> <p>4</p> <p>5</p> <p>6</p> <p>7</p> <p>8</p> <p>9</p> <p>10</p> <p>11</p> <p>12</p> <p>13</p> <p>14</p> <p>15</p> <p>16</p> <p>17</p> <p>18</p> </td> <td> <p><code><code>String s = </code><code>"你好"</code><code>;</code></p> <p><code>// 编码</code></p> <p><code>byte</code><code>[] utf = s.getBytes(</code><code>"utf-8"</code><code>);</code></p> <p><code>byte</code><code>[] gbk = s.getBytes(</code><code>"gbk"</code><code>);</code></p> <p><code>System.out.println(</code><code>"utf-8编码:"</code> <code>+ Arrays.toString(utf));</code><code>//[-28,-67,-96,-27,-91,-67] 6个字节</code></p> <p><code>System.out.println(</code><code>"gbk编码:"</code> <code>+ Arrays.toString(gbk));</code><code>//[-60,-29,-70,-61] 4个字节</code></p> <p><code>// 解码</code></p> <p><code>String s1 = </code><code>new</code> <code>String(utf, </code><code>"utf-8"</code><code>); </code><code>// 你好</code></p> <p><code>String s2 = </code><code>new</code> <code>String(utf, </code><code>"gbk"</code><code>); </code><code>// gbk解码:浣犲ソ gbk用2个字节解码,所以会多一个字符</code></p> <p><code>String s3 = </code><code>new</code> <code>String(gbk, </code><code>"utf-8"</code><code>); </code><code>// gbk用utf-8解码:??? utf-8解码需要6个字节</code></p> <p><code>System.out.println(</code><code>"--------------------"</code><code>);</code></p> <p><code>System.out.println(</code><code>"utf-8解码:"</code> <code>+ s1);</code></p> <p><code>System.out.println(</code><code>"gbk解码:"</code> <code>+ s2);</code></p> <p><code>System.out.println(</code><code>"gbk用utf-8解码:"</code> <code>+ s3);</code></p> <p><code>System.out.println(</code><code>"---------------------"</code><code>);</code></p> <p><code>System.out.println(</code><code>"用utf-8编码回去"</code><code>);</code></p> <p><code>s3 = </code><code>new</code> <code>String(s3.getBytes(</code><code>"utf-8"</code><code>), </code><code>"gbk"</code><code>); </code><code>// 锟斤拷锟? gbk用utf-8解码后无法编回去</code></p> <p><code>System.out.println(s3);</code></code></p> </td> </tr> </tbody> </table> # 规律: # utf-8编码可以用gbk和iso8859-1解码后编回去 gbk编码后只能用iso8859-1解码后编回去 在JSP页面获取表单的值时会出现乱码,有两种解决方法: 1.在调用getParameter之前通过request.setCharacterEncoding设置字符编码 2.调用new String(str.getBytes("iso8859-1"), "UTF-8");编码后解码
还没有评论,来说两句吧...