深刻分析 Java Web 中的中文編碼問題

文章首發地址：深刻分析 Java Web 中的中文編碼問題

背景：

編碼問題一直困擾着程序開發人員，尤爲是在 Java 中更加明顯，由於 Java 是跨平臺的語言，在不一樣平臺的編碼之間的切換較多。接下來將介紹 Java 編碼問題出現的根本緣由；在 Java 中常常遇到的幾種編碼格式的區別；在 Java 中常常須要編碼的場景；出現中文問題的緣由分析；在開發 Java Web 中可能存在編碼的幾個地方；一個 HTTP 請求怎麼控制編碼格式；如何避免出現中文編碼問題等。

一、幾種常見的編碼格式

1.1 爲何要編碼

• 在計算機中存儲信息的最小單元是 1 個字節，即 8 個 bit， 因此能表示的字符範圍是 0 ~ 255 個。

• 要表示的符號太多，沒法用 1 個字節來徹底表示。

1.2 如何翻譯

計算機中提供多種翻譯方式，常見的有 ASCII、ISO-8859-一、GB23十二、GBK、UTF-八、UTF-16等。這些都規定了轉化的規則，按照這個規則就可讓計算機正確的表示咱們的字符。下面介紹這幾種編碼格式：

• ASCII 碼

總共有 128 個，用 1 個字節的低 7 位表示， 0 ~ 31 是控制字符如換行、回車、刪除等，32 ~ 126 是打印字符，能夠經過鍵盤輸入而且可以顯示出來。

• ISO-8859-1

128 個字符顯然是不夠用的，因此 ISO 組織在 ASCII 的基礎上擴展，他們是 ISO-8859-1 至 ISO-8859-15，前者涵蓋大多數字符，應用最廣。ISO-8859-1 還是單字節編碼，它總歸能表示 256 個字符。

• GB2312

它是雙字節編碼，總的編碼範圍是 A1 ~ F7，其中 A1 ~ A9 是符號區，總共包含 682 個符號；B0 ~ F7 是漢字區，包含 6763 個漢字。

• GBk

GBK 爲《漢字內碼擴展規範》，爲 GB2312 的擴展，它的編碼範圍是 8140 ~ FEFE（去掉XX7F），總共有 23940 個碼位，能表示 21003 個漢字，和 GB2312的編碼兼容，不會有亂碼。

• UTF-16

它具體定義了 Unicode 字符在計算機中的存取方法。UTF-16 用兩個字節來表示 Unicode 的轉化格式，它採用定長的表示方法，即不論什麼字符用兩個字節表示。兩個字節是 16 個 bit，因此叫 UTF-16。它表示字符很是方便，沒兩個字節表示一個字符，這就大大簡化了字符串操做。

• UTF-8

雖然說 UTF-16 統一採用兩個字節表示一個字符很簡單方便，可是很大一部分字符用一個字節就能夠表示，若是用兩個字節表示，存儲空間放大了一倍，在網絡帶寬有限的狀況下會增長網絡傳輸的流量。UTF-8 採用了一種變長技術，每一個編碼區域有不一樣的字碼長度不一樣類型的字符能夠由 1 ~ 6 個字節組成。

UTF-8 有如下編碼規則：

• 若是是 1 個字節，最高位（第 8 位）爲 0，則表示這是一個 ASCII 字符（00 ~ 7F）

• 若是是 1 個字節，以 11 開頭，則連續的 1 的個數暗示這個字符的字節數

• 若是是 1 個字節，以 10 開頭，表示它不是首字節，則須要向前查找才能獲得當前字符的首字節

​

二、在 Java 中須要編碼的場景

2.1 在 I/O 操做中存在的編碼

如上圖：Reader 類是在 Java 的 I/O 中讀取符的父類，而 InputStream 類是讀字節的父類， InputStreamReader 類就是關聯字節到字符的橋樑，它負責在 I/O 過程當中處理讀取字節到字符的轉換，而對具體字節到字符的解碼實現，它又委託 StreamDecoder 去作，在 StreamDecoder 解碼過程當中必須由用戶指定 Charset 編碼格式。值得注意的是，若是你沒有指定 Charset，則將使用本地環境中默認的字符集，如在中文環境中將使用 GBK 編碼。

以下面一段代碼，實現了文件的讀寫功能：

String file = "c:/stream.txt"; 
 String charset = "UTF-8"; 
 // 寫字符換轉成字節流
 FileOutputStream outputStream = new FileOutputStream(file); 
 OutputStreamWriter writer = new OutputStreamWriter( 
 outputStream, charset); 
 try { 
    writer.write("這是要保存的中文字符"); 
 } finally { 
    writer.close(); 
 } 
 // 讀取字節轉換成字符
 FileInputStream inputStream = new FileInputStream(file); 
 InputStreamReader reader = new InputStreamReader( 
 inputStream, charset); 
 StringBuffer buffer = new StringBuffer(); 
 char[] buf = new char[64]; 
 int count = 0; 
 try { 
    while ((count = reader.read(buf)) != -1) { 
        buffer.append(buffer, 0, count); 
    } 
 } finally { 
    reader.close(); 
 }

在咱們的應用程序中涉及 I/O 操做時，只要注意指定統一的編解碼 Charset 字符集，通常不會出現亂碼問題。

2.2 在內存操做中的編碼

在內存中進行從字符到字節的數據類型轉換。

一、String 類提供字符串轉換到字節的方法，也支持將字節轉換成字符串的構造函數。

String s  = "字符串"；
byte[] b = s.getBytes("UTF-8");
String n = new String(b, "UTF-8");

二、Charset 提供 encode 與 decode，分別對應 char[] 到 byte[] 的編碼 和 byte[] 到 char[] 的解碼。

Charset charset = Charset.forName("UTF-8");
ByteBuffer byteBuffer = charset.encode(string);
CharBuffer charBuffer = charset.decode(byteBuffer);

...

三、在 Java 中如何編解碼

Java 編碼類圖

首先根據指定的 charsetName 經過 Charset.forName(charsetName) 設置 Charset 類，而後根據 Charset 建立 CharsetEncoder 對象，再調用 CharsetEncoder.encode 對字符串進行編碼，不一樣的編碼類型都會對應到一個類中，實際的編碼過程是在這些類中完成的。下面是 String. getBytes(charsetName) 編碼過程的時序圖

Java 編碼時序圖

從上圖能夠看出根據 charsetName 找到 Charset 類，而後根據這個字符集編碼生成 CharsetEncoder，這個類是全部字符編碼的父類，針對不一樣的字符編碼集在其子類中定義瞭如何實現編碼，有了 CharsetEncoder 對象後就能夠調用 encode 方法去實現編碼了。這個是 String.getBytes 編碼方法，其它的如 StreamEncoder 中也是相似的方式。

常常會出現中文變成「？」極可能就是錯誤的使用了 ISO-8859-1 這個編碼致使的。中文字符通過 ISO-8859-1 編碼會丟失信息，一般咱們稱之爲「黑洞」，它會把不認識的字符吸取掉。因爲如今大部分基礎的 Java 框架或系統默認的字符集編碼都是 ISO-8859-1，因此很容易出現亂碼問題，後面將會分析不一樣的亂碼形式是怎麼出現的。

幾種編碼格式的比較

對中文字符後面四種編碼格式都能處理，GB2312 與 GBK 編碼規則相似，可是 GBK 範圍更大，它能處理全部漢字字符，因此 GB2312 與 GBK 比較應該選擇 GBK。UTF-16 與 UTF-8 都是處理 Unicode 編碼，它們的編碼規則不太相同，相對來講 UTF-16 編碼效率最高，字符到字節相互轉換更簡單，進行字符串操做也更好。它適合在本地磁盤和內存之間使用，能夠進行字符和字節之間快速切換，如 Java 的內存編碼就是採用 UTF-16 編碼。可是它不適合在網絡之間傳輸，由於網絡傳輸容易損壞字節流，一旦字節流損壞將很難恢復，想比較而言 UTF-8 更適合網絡傳輸，對 ASCII 字符采用單字節存儲，另外單個字符損壞也不會影響後面其它字符，在編碼效率上介於 GBK 和 UTF-16 之間，因此 UTF-8 在編碼效率上和編碼安全性上作了平衡，是理想的中文編碼方式。

四、在 Java Web 中涉及的編解碼

對於使用中文來講，有 I/O 的地方就會涉及到編碼，前面已經提到了 I/O 操做會引發編碼，而大部分 I/O 引發的亂碼都是網絡 I/O，由於如今幾乎全部的應用程序都涉及到網絡操做，而數據通過網絡傳輸都是以字節爲單位的，因此全部的數據都必須可以被序列化爲字節。在 Java 中數據被序列化必須繼承 Serializable 接口。

一段文本它的實際大小應該怎麼計算，我曾經碰到過一個問題：就是要想辦法壓縮 Cookie 大小，減小網絡傳輸量，當時有選擇不一樣的壓縮算法，發現壓縮後字符數是減小了，可是並無減小字節數。所謂的壓縮只是將多個單字節字符經過編碼轉變成一個多字節字符。減小的是 String.length()，而並無減小最終的字節數。例如將「ab」兩個字符經過某種編碼轉變成一個奇怪的字符，雖然字符數從兩個變成一個，可是若是採用 UTF-8 編碼這個奇怪的字符最後通過編碼可能又會變成三個或更多的字節。一樣的道理好比整型數字 1234567 若是當成字符來存儲，採用 UTF-8 來編碼佔用 7 個 byte，採用 UTF-16 編碼將會佔用 14 個 byte，可是把它當成 int 型數字來存儲只須要 4 個 byte 來存儲。因此看一段文本的大小，看字符自己的長度是沒有意義的，即便是同樣的字符采用不一樣的編碼最終存儲的大小也會不一樣，因此從字符到字節必定要看編碼類型。

咱們可以看到的漢字都是以字符形式出現的，例如在 Java 中「淘寶」兩個字符，它在計算機中的數值 10 進制是 28120 和 23453，16 進制是 6bd8 和 5d9d，也就是這兩個字符是由這兩個數字惟一表示的。Java 中一個 char 是 16 個 bit 至關於兩個字節，因此兩個漢字用 char 表示在內存中佔用至關於四個字節的空間。

這兩個問題搞清楚後，咱們看一下 Java Web 中那些地方可能會存在編碼轉換？

用戶從瀏覽器端發起一個 HTTP 請求，須要存在編碼的地方是 URL、Cookie、Parameter。服務器端接受到 HTTP 請求後要解析 HTTP 協議，其中 URI、Cookie 和 POST 表單參數須要解碼，服務器端可能還須要讀取數據庫中的數據，本地或網絡中其它地方的文本文件，這些數據均可能存在編碼問題，當 Servlet 處理完全部請求的數據後，須要將這些數據再編碼經過 Socket 發送到用戶請求的瀏覽器裏，再通過瀏覽器解碼成爲文本。這些過程以下圖所示：

一次 HTTP 請求的編碼示例

4.1 URL 的編解碼

用戶提交一個 URL，這個 URL 中可能存在中文，所以須要編碼，如何對這個 URL 進行編碼？根據什麼規則來編碼？有如何來解碼？以下圖一個 URL：

上圖中以 Tomcat 做爲 Servlet Engine 爲例，它們分別對應到下面這些配置文件中：
Port 對應在 Tomcat 的 <Connector port="8080"/> 中配置，而 Context Path 在 <Context path="/examples"/> 中配置，Servlet Path 在 Web 應用的 web.xml 中的

<servlet-mapping> 
        <servlet-name>junshanExample</servlet-name> 
        <url-pattern>/servlets/servlet/*</url-pattern> 
 </servlet-mapping>

<url-pattern> 中配置，PathInfo 是咱們請求的具體的 Servlet，QueryString 是要傳遞的參數，注意這裏是在瀏覽器裏直接輸入 URL 因此是經過 Get 方法請求的，若是是 POST 方法請求的話，QueryString 將經過表單方式提交到服務器端。

上圖中 PathInfo 和 QueryString 出現了中文，當咱們在瀏覽器中直接輸入這個 URL 時，在瀏覽器端和服務端會如何編碼和解析這個 URL 呢？爲了驗證瀏覽器是怎麼編碼 URL 的我選擇的是360極速瀏覽器並經過 Postman 插件觀察咱們請求的 URL 的實際的內容，如下是 URL：

HTTP://localhost:8080/examples/servlets/servlet/君山?author=君山

君山的編碼結果是：e5 90 9b e5 b1 b1，和《深刻分析 Java Web 技術內幕》中的結果不同，這是由於我使用的瀏覽器和插件和原做者是有區別的，那麼這些瀏覽器之間的默認編碼是不同的，原文中的結果是：

君山的編碼結果分別是：e5 90 9b e5 b1 b1，be fd c9 bd，查閱上一屆的編碼可知，PathInfo 是 UTF-8 編碼而 QueryString 是通過 GBK 編碼，至於爲何會有「%」？查閱 URL 的編碼規範 RFC3986 可知瀏覽器編碼 URL 是將非 ASCII 字符按照某種編碼格式編碼成 16 進制數字而後將每一個 16 進製表示的字節前加上「%」，因此最終的 URL 就成了上圖的格式了。

從上面測試結果可知瀏覽器對 PathInfo 和 QueryString 的編碼是不同的，不一樣瀏覽器對 PathInfo 也可能不同，這就對服務器的解碼形成很大的困難，下面咱們以 Tomcat 爲例看一下，Tomcat 接受到這個 URL 是如何解碼的。

解析請求的 URL 是在 org.apache.coyote.HTTP11.InternalInputBuffer 的 parseRequestLine 方法中，這個方法把傳過來的 URL 的 byte[] 設置到 org.apache.coyote.Request 的相應的屬性中。這裏的 URL 仍然是 byte 格式，轉成 char 是在 org.apache.catalina.connector.CoyoteAdapter 的 convertURI 方法中完成的：

protected void convertURI(MessageBytes uri, Request request) 
 throws Exception { 
        ByteChunk bc = uri.getByteChunk(); 
        int length = bc.getLength(); 
        CharChunk cc = uri.getCharChunk(); 
        cc.allocate(length, -1); 
        String enc = connector.getURIEncoding(); 
        if (enc != null) { 
            B2CConverter conv = request.getURIConverter(); 
            try { 
                if (conv == null) { 
                    conv = new B2CConverter(enc); 
                    request.setURIConverter(conv); 
                } 
            } catch (IOException e) {...} 
            if (conv != null) { 
                try { 
                    conv.convert(bc, cc, cc.getBuffer().length - 
 cc.getEnd()); 
                    uri.setChars(cc.getBuffer(), cc.getStart(), 
 cc.getLength()); 
                    return; 
                } catch (IOException e) {...} 
            } 
        } 
        // Default encoding: fast conversion 
        byte[] bbuf = bc.getBuffer(); 
        char[] cbuf = cc.getBuffer(); 
        int start = bc.getStart(); 
        for (int i = 0; i < length; i++) { 
            cbuf[i] = (char) (bbuf[i + start] & 0xff); 
        } 
        uri.setChars(cbuf, 0, length); 
 }

從上面的代碼中能夠知道對 URL 的 URI 部分進行解碼的字符集是在 connector 的 <Connector URIEncoding=」UTF-8」/> 中定義的，若是沒有定義，那麼將以默認編碼 ISO-8859-1 解析。因此若是有中文 URL 時最好把 URIEncoding 設置成 UTF-8 編碼。

QueryString 又如何解析？ GET 方式 HTTP 請求的 QueryString 與 POST 方式 HTTP 請求的表單參數都是做爲 Parameters 保存，都是經過 request.getParameter 獲取參數值。對它們的解碼是在 request.getParameter 方法第一次被調用時進行的。request.getParameter 方法被調用時將會調用 org.apache.catalina.connector.Request 的 parseParameters 方法。這個方法將會對 GET 和 POST 方式傳遞的參數進行解碼，可是它們的解碼字符集有可能不同。POST 表單的解碼將在後面介紹，QueryString 的解碼字符集是在哪定義的呢？它自己是經過 HTTP 的 Header 傳到服務端的，而且也在 URL 中，是否和 URI 的解碼字符集同樣呢？從前面瀏覽器對 PathInfo 和 QueryString 的編碼採起不一樣的編碼格式不一樣能夠猜想到解碼字符集確定也不會是一致的。的確是這樣 QueryString 的解碼字符集要麼是 Header 中 ContentType 中定義的 Charset 要麼就是默認的 ISO-8859-1，要使用 ContentType 中定義的編碼就要設置 connector 的 <Connector URIEncoding=」UTF-8」 useBodyEncodingForURI=」true」/> 中的 useBodyEncodingForURI 設置爲 true。這個配置項的名字有點讓人產生混淆，它並非對整個 URI 都採用 BodyEncoding 進行解碼而僅僅是對 QueryString 使用 BodyEncoding 解碼，這一點還要特別注意。

從上面的 URL 編碼和解碼過程來看，比較複雜，並且編碼和解碼並非咱們在應用程序中能徹底控制的，因此在咱們的應用程序中應該儘可能避免在 URL 中使用非 ASCII 字符，否則極可能會碰到亂碼問題，固然在咱們的服務器端最好設置 <Connector/> 中的 URIEncoding 和 useBodyEncodingForURI 兩個參數。

4.2 HTTP Header 的編解碼

當客戶端發起一個 HTTP 請求除了上面的 URL 外還可能會在 Header 中傳遞其它參數如 Cookie、redirectPath 等，這些用戶設置的值極可能也會存在編碼問題，Tomcat 對它們又是怎麼解碼的呢？

對 Header 中的項進行解碼也是在調用 request.getHeader 是進行的，若是請求的 Header 項沒有解碼則調用 MessageBytes 的 toString 方法，這個方法將從 byte 到 char 的轉化使用的默認編碼也是 ISO-8859-1，而咱們也不能設置 Header 的其它解碼格式，因此若是你設置 Header 中有非 ASCII 字符解碼確定會有亂碼。

咱們在添加 Header 時也是一樣的道理，不要在 Header 中傳遞非 ASCII 字符，若是必定要傳遞的話，咱們能夠先將這些字符用 org.apache.catalina.util.URLEncoder 編碼而後再添加到 Header 中，這樣在瀏覽器到服務器的傳遞過程當中就不會丟失信息了，若是咱們要訪問這些項時再按照相應的字符集解碼就行了。

4.3 POST 表單的編解碼

在前面提到了 POST 表單提交的參數的解碼是在第一次調用 request.getParameter 發生的，POST 表單參數傳遞方式與 QueryString 不一樣，它是經過 HTTP 的 BODY 傳遞到服務端的。當咱們在頁面上點擊 submit 按鈕時瀏覽器首先將根據 ContentType 的 Charset 編碼格式對錶單填的參數進行編碼而後提交到服務器端，在服務器端一樣也是用 ContentType 中字符集進行解碼。因此經過 POST 表單提交的參數通常不會出現問題，並且這個字符集編碼是咱們本身設置的，能夠經過 request.setCharacterEncoding(charset) 來設置。

另外針對 multipart/form-data 類型的參數，也就是上傳的文件編碼一樣也是使用 ContentType 定義的字符集編碼，值得注意的地方是上傳文件是用字節流的方式傳輸到服務器的本地臨時目錄，這個過程並無涉及到字符編碼，而真正編碼是在將文件內容添加到 parameters 中，若是用這個編碼不能編碼時將會用默認編碼 ISO-8859-1 來編碼。

4.4 HTTP BODY 的編解碼

當用戶請求的資源已經成功獲取後，這些內容將經過 Response 返回給客戶端瀏覽器，這個過程先要通過編碼再到瀏覽器進行解碼。這個過程的編解碼字符集能夠經過 response.setCharacterEncoding 來設置，它將會覆蓋 request.getCharacterEncoding 的值，而且經過 Header 的 Content-Type 返回客戶端，瀏覽器接受到返回的 socket 流時將經過 Content-Type 的 charset 來解碼，若是返回的 HTTP Header 中 Content-Type 沒有設置 charset，那麼瀏覽器將根據 Html 的 <meta HTTP-equiv="Content-Type" content="text/html; charset=GBK" /> 中的 charset 來解碼。若是也沒有定義的話，那麼瀏覽器將使用默認的編碼來解碼。

4.5 其它須要編碼的地方

除了 URL 和參數編碼問題外，在服務端還有不少地方可能存在編碼，如可能須要讀取 xml、velocity 模版引擎、JSP 或者從數據庫讀取數據等。
xml 文件能夠經過設置頭來制定編碼格式

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

Velocity 模版設置編碼格式：

services.VelocityService.input.encoding=UTF-8

JSP 設置編碼格式：

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

訪問數據庫都是經過客戶端 JDBC 驅動來完成，用 JDBC 來存取數據要和數據的內置編碼保持一致，能夠經過設置 JDBC URL 來制定如 MySQL：url="jdbc:mysql://localhost:3306/DB?useUnicode=true&characterEncoding=GBK"。

五、常見問題分析

下面看一下，當咱們碰到一些亂碼時，應該怎麼處理這些問題？出現亂碼問題惟一的緣由都是在 char 到 byte 或 byte 到 char 轉換中編碼和解碼的字符集不一致致使的，因爲每每一次操做涉及到屢次編解碼，因此出現亂碼時很難查找究竟是哪一個環節出現了問題，下面就幾種常見的現象進行分析。

5.1 中文變成了看不懂的字符

例如，字符串「淘！我喜歡！」變成了「Ì Ô £ ¡Î Ò Ï²»¶ £ ¡」編碼過程以下圖所示：

字符串在解碼時所用的字符集與編碼字符集不一致致使漢字變成了看不懂的亂碼，並且是一個漢字字符變成兩個亂碼字符。

5.2 一個漢字變成一個問號

例如，字符串「淘！我喜歡！」變成了「？？？？？？」編碼過程以下圖所示:

將中文和中文符號通過不支持中文的 ISO-8859-1 編碼後，全部字符變成了「？」，這是由於用 ISO-8859-1 進行編解碼時遇到不在碼值範圍內的字符時統一用 3f 表示，這也就是一般所說的「黑洞」，全部 ISO-8859-1 不認識的字符都變成了「？」。

5.3 一個漢字變成兩個問號

例如，字符串「淘！我喜歡！」變成了「？？？？？？？？？？？？」編碼過程以下圖所示:

這種狀況比較複雜，中文通過屢次編碼，可是其中有一次編碼或者解碼不對仍然會出現中文字符變成「？」現象，出現這種狀況要仔細查看中間的編碼環節，找出出現編碼錯誤的地方。

5.4 一種不正常的正確編碼

還有一種狀況是在咱們經過 request.getParameter 獲取參數值時，當咱們直接調用

String value = request.getParameter(name); 會出現亂碼，可是若是用下面的方式

String value = String(request.getParameter(name).getBytes(" ISO-8859-1"), "GBK");

解析時取得的 value 會是正確的漢字字符，這種狀況是怎麼形成的呢？

看下如所示：

這種狀況是這樣的，ISO-8859-1 字符集的編碼範圍是 0000-00FF，正好和一個字節的編碼範圍相對應。這種特性保證了使用 ISO-8859-1 進行編碼和解碼能夠保持編碼數值「不變」。雖然中文字符在通過網絡傳輸時，被錯誤地「拆」成了兩個歐洲字符，但因爲輸出時也是用 ISO-8859-1，結果被「拆」開的中文字的兩半又被合併在一塊兒，從而又恰好組成了一個正確的漢字。雖然最終能取得正確的漢字，可是仍是不建議用這種不正常的方式取得參數值，由於這中間增長了一次額外的編碼與解碼，這種狀況出現亂碼時由於 Tomcat 的配置文件中 useBodyEncodingForURI 配置項沒有設置爲」true」，從而形成第一次解析式用 ISO-8859-1 來解析才形成亂碼的。

六、總結

本文首先總結了幾種常見編碼格式的區別，而後介紹了支持中文的幾種編碼格式，並比較了它們的使用場景。接着介紹了 Java 那些地方會涉及到編碼問題，已經 Java 中如何對編碼的支持。並以網絡 I/O 爲例重點介紹了 HTTP 請求中的存在編碼的地方，以及 Tomcat 對 HTTP 協議的解析，最後分析了咱們日常遇到的亂碼問題出現的緣由。

綜上所述，要解決中文問題，首先要搞清楚哪些地方會引發字符到字節的編碼以及字節到字符的解碼，最多見的地方就是讀取會存儲數據到磁盤，或者數據要通過網絡傳輸。而後針對這些地方搞清楚操做這些數據的框架的或系統是如何控制編碼的，正確設置編碼格式，避免使用軟件默認的或者是操做系統平臺默認的編碼格式。

---

註明：文章大部分參考書籍《深刻 Java Web 技術內幕》第三章，本身有刪減，二次轉載請也務必註明此出處。