Java中的字符集編碼入門（三）GB2312，GBK與中文網頁

 

GB2312是對中國的開發人員來講很重要的一個詞彙，它的前因後果並不須要我在這裏贅述，隨便Goolge之便明白無誤。我只是想提一句，記得前一節說到編碼字符集和字符集編碼不是一回事，而有的字符集編碼又實際上沒有作任何事，GB2312正是這樣一種東西！

 

GB2312最初指的是一個編碼字符集，其中包含了ASCII所包含的英文字符，同時加入了6763個簡體漢字以及其餘一些ASCII以外的符號。與Unicode有UTF-8和UTF-16同樣（固然， UTF-8和UTF-16也沒有被限定只能用來對Unicode進行編碼，實際上，你用它對視頻進行編碼都是能夠的，只是編出的文件沒有播放器支持罷了，哈哈），GB2312也有本身的編碼方案，但這個方案直接使用一個字符在GB2312中的編號做爲存儲值（與UTF-32的作法相似），也所以，這個編碼方案甚至沒有正式的名稱。咱們平常提及GB2312的時候，經常即指這個字符集，也指這種編碼方案。

 

GBK是GB2312的後續標準，添加了更多的漢字和特殊符號，相似的是，GBK也是同時指他的字符集和他的編碼。

 

GBK仍是現現在中文Windows操做系統的系統默認編碼（這正是幾乎全部網頁上的，文件裏的亂碼問題的根源）。

 

咱們能夠這樣來驗證，使用如下的Java代碼：

 

String encoding=System.getProperty("file.encoding");

System.out.println(encoding);

 

 

輸出結果爲GBK

 

（什麼？你的輸出不是這樣？怎麼可能？完了，個人牌子要砸了，等等，你用的繁體版XP？我說你這同志在這裏搗什麼亂？去！去！）

 

說到GB2312和GBK就不得不提中文網頁的編碼。儘管不少新開發的Web系統和新上線的注重國際化的網站都開始使用UTF-8，仍有至關一部分的中文媒體堅持使用GB2312和GBK，例如新浪的頁面。其中有兩點很值得注意。

 

第一，頁面中meta標籤的部分，經常能夠見到charset=GB2312這樣的寫法，很不幸的是，這個「charset」實際上是用來指定頁面使用的是什麼字符集編碼，而不是使用什麼字符集。例如你見到過有人寫「charset=UTF-8」，見到過有人寫「charset=ISO-8859-1」，但你見過有人寫「charset=Unicode」麼？固然沒有，由於Unicode是一個字符集，而不是編碼。

 

然而正是charset這個名稱誤導了不少程序員，真的覺得這裏要指定的是字符集，也於是使他們進一步的誤覺得UTF-8和UTF-16是一種字符集！（萬惡啊）好在XML中已經作出了修改，這個位置改爲了正確的名稱：encoding.第二，頁面中說的GB2312，實際上並不真的是GB2312（驚訝麼？）。咱們來作個實驗，例如找一個GB2312中不存在的漢字「嚲」（這個字確實不在GB2312中，你能夠到GB2312的碼錶中去找，保證找不到），這個字在GBK中。而後你把它放到一個html頁面中，試着在瀏覽器中打開它，而後選擇瀏覽器的編碼爲「GB2312」，看到了什麼？它徹底正常顯示！

 

結論不用我說你也明白了，瀏覽器實際上使用的是GBK來顯示。

 

新浪的頁面中也有不少這樣的例子，處處都寫charset=GB2312，卻使用了無數個GB2312中並不存在的字符。這種作法對瀏覽器顯示頁面並不成問題，但在須要程序抓取頁面並保存的時候帶來了麻煩，程序將不能依據頁面所「聲稱」的編碼進行讀取和保存，而只能儘可能猜想正確的編碼。