01--Java开发中文乱码问题分析

一、常见的编码格式

1. ASCII码

总共128个字符，用1个字节的低7位表示，0~31是控制字符，32~126是打印字符。

2. ISO-8859-1

ISO组织在ASCII基础上进行扩展，仍是单字节编码，支持256个字符，支持大部分西欧字符。

3. GB2312 GBK GB18030

GB2312可用GBK方式解码，不会有问题。GB18030使用不多。

4. UTF-16

UTF-16定义了Unicode在计算机中的存取方法，采用2个字节存储。

5. UTF-8

UTF-16采用2个字节存储一个字符，很方便，但浪费空间，因为大部分字符用一个字节表示（英文）。

因此UTF-8采取了变长方式，根据字符不同，分别可存储1、2、3个字节。

二、Java中需要编码的场景

1. I/O操作

在Java中的文件和网络通讯过程中，都涉及到编码的场景。

2. 内存操作中的编码和解码

2.1 String类提供编码和解码功能

2.2 Charset类提供编码和解码功能

三、Web中设计编码的场景

1. 基础知识

对于URL、URI、QueryString、HTTP结构、meta标签知识，可参考之前的文章：http://www.cnblogs.com/ulli/p/6340673.html

2. 编码规则

2.1 URL方式，例如，直接将地址复制到浏览器中。跟GET方式有区别，使用浏览器默认的编码集（一般为UTF-8或GBK）提交数据。

PathInfo部分的编码与浏览器有关，一般Firefox和IE为GBK，因此，PathInfo中尽量不要包含中文。
QueryString部分的编码也与浏览器相关，不同浏览器会用不同的编码方式，因此处理起来非常麻烦。但有时必须要处理中文，例如搜索引擎，因此常规做法是利用javascrip的encodeURI方法对url地址进行编码，该函数会利用UTF-8的方式对url进行编码，可避免浏览器编码方式不一致造成的乱码问题。

2.2 GET方式，会先使用meta标签中提供的Charset进行编码，若未指定，则使用默认ISO-8890-1编码

GET方式也会将请求数据放入到URL中的QueryString区域，根据前一个页面提供的编码集类型，对提交数据进行编码，然后提交到下一个页面。一般也是利用js对url进行拼接、编码后传至服务器。

比如，在login.html页面中进行输入，提交到process.jsp中，此时，编码的规则是根据login.html中meta标签指定的（如GBK、UTF-8等），而不是process.jsp中的编码集。

2.3 POST方式

POST方式会将请求数据放到http body区域，并根据前一个页面的meta标签提供的charset进行编码（），然后加密。

在服务器端，一般用request.setCharacterEncoding方法可设置编码，注意，一定要在request.getParameters方法前调用。

编码过程与GET方式类似，只是数据存储在http body区域。

注意：

2.4 HTTP Header的编解码

Cookie、RedirectPath等都是在header中进行传输的，Tomcat对Header的解码是在request.getHeader时进行的，且我们也不能设置其他的编码格式，只能是默认的ISO-8859-1。因此，若请求头中包含非ASCII字符，解码肯定会乱码。

同理，向header中写数据时，不要传递非ASCII字符，若需要，可先用org.apach.catalina.util.URLEncoder编码，再写入header，这样从浏览器到服务器之间的传递过程就不会丢失信息了，后续需要使用时，按照相应的字符集解码即可获取正确信息了。

四、常见乱码原因分析及解决方案

1. QueryString出现乱码

原因分析：

原因1. 各浏览器提交QueryString时编码格式不一致。

原因2. 服务器端未设置使用相应的编码集进行解码。

解决方案：

1. 对于原因1，一般在前端利用js的encodeURL函数对url进行编码，使用的是UTF-8格式。

2. 对于Tomcat7，需设置server.xml文件中的Connector节点，设置如下2个属性

并在第一次调用request.getParameters方法前，先调用request.setCharacterEncoding方法设置字符集。

之所以为tomcat7设置useBodyEncodingForURI，因为getParameters会调用parseParameters方法，请看如下代码：

若未设置useBodyEncodingForURI的话，则只会给parameters赋值enc，而不会给QueryString赋值enc。

在解析参数时，对于 Post 请求，Tomcat 使用 encoding 来解码；对于 get 请求，Tomcat 使用 queryStringEncoding 来解析参数，因为此时 useBodyEncodingForURI 为 false 时，Tomcat 使用默认码来解析，Tomcat 7的默认编码是 ISO-8859-1，所以解析之后参数出现乱码；Tomcat 8 默认编码是 UTF-8，因此解析不会出现乱码。

2. GET方式出现乱码

原因分析

GET方式提交时，会根据当前页面的response header中的Content-Type设定的字符集对数据进行编码，html的head代码如下：

<meta http-equiv="Content-Type" content="text/html; charset=utf-8">

然后提交至目标页面。举个栗子，以get方式从login.html提交name和age到home.jsp，会利用login.html中meta域设定的编码集进行编码，然后将数据发送至home.jsp页面。

解决方案

有2中解决方案：

1. 设置数据提交页的response header中content-type，告诉浏览器编码时采用何种字符集。例如上面的login.html页面。

2. 提交数据前，用js拼接url地址在，然后调用encodeURL函数对url地址进行编码（UTF-8），然后提交服务器，服务器进行相应的解码即可。

3. POST方式出现乱码

原因分析：

数据提交时编码规则跟get相同，只是数据放在http body中。

解决方案

设置数据提交页的response header中content-type，告诉浏览器编码时采用何种字符集。例如上面的login.html页面，然后服务器进行相应解码。

参考文章：

关于URL编码：http://www.ruanyifeng.com/blog/2010/02/url_encoding.html

http://www.ruanyifeng.com/blog/2010/02/url_encoding.html

根据Tomcat源码分析QueryString有中文时该如何配置：http://www.infocool.net/kb/Tomcat/201607/169187.html