这是ASCII字符），“u00bb”没找到，得到“3f”，最后，“u00f9”对应着“a8b4”。把这个字符串println一下，得到的结果是“?ìéF?ù”。看到没？这里并不全是问号，因为GBK与Unicode映射的内容中除了汉字外还有字符，本例就是最好的明证。

 

 

 

所以，在汉字转码时，如果发生错乱，得到的不一定都是问号噢！不过，错了终究是错了，50步和100步并没有质的差别。

 

 

 

或者会问：如果源字符集中有，而Unicode中没有，结果会如何？回答是不知道。因为我手头没有能做这个测试的源字符集。但有一点是肯定的，那就是源字符集不够规范。在Java中，如果发生这种情况，是会抛出异常的。

 

什么是UTF

 

 

UTF，是Unicode Text Format的缩写，意为Unicode文本格式。对于UTF，是这样定义的：

 

 

 

（1）如果Unicode的16位字符的头9位是0，则用一个字节表示，这个字节的首位是“0”，剩下的7位与原字符中的后7位相同，如“u0034”（0000 0000 0011 0100），用“34” (0011 0100)表示；（与源Unicode字符是相同的）；

 

 

 

（2）如果Unicode的16位字符的头5位是0，则用2个字节表示，首字节是“110”开头，后面的5位与源字符中除去头5个零后的最高5位相同；第二个字节以“10”开头，后面的6位与源字符中的低6位相同。如“u025d”（0000 0010 0101 1101），转化后为“c99d”（1100 1001 1001 1101）；

 

（3）如果不符合上述两个规则，则用三个字节表示。第一个字节以“1110”开头，后四位为源字符的高四位；第二个字节以“10”开头，后六位为源字符中间的六位；第三个字节以“10”开头，后六位为源字符的低六位；如“u9da7”（1001 1101 1010 0111），转化为“e9b6a7”（1110 1001 1011 0110 1010 0111）；

 

可以这么描述JAVA程序中Unicode与UTF的关系，虽然不绝对：字符串在内存中运行时，表现为Unicode代码，而当要保存到文件或其它介质中去时，用的是UTF。这个转化过程是由writeUTF和readUTF来完成的。

 

好了，基础性的论述差不多了，下面进入正题。

 

先把这个问题想成是一个黑匣子。先看黑匣子的一级表示：

 

input(charsetA)-＞process(Unicode)-＞output(charsetB)

 

简单，这就是一个IPO模型，即输入、处理和输出。同样的内容要经过“从charsetA到unicode再到charsetB”的转化。 　　

 

再看二级表示：

 

SourceFile(jsp,java)-＞class-＞output

 

在这个图中，可以看出，输入的是jsp和java源文件，在处理过程中，以Class文件为载体，然后输出。再细化到三级表示：

 

 

 

jsp-＞temp file-＞class-＞browser,os console,db

 

 

 

app,servlet-＞class-＞browser,os console,db

 

 

 

这个图就更明白了。Jsp文件先生成中间的Java文件，再生成Class。而Servlet和普通App则直接编译生成Class。然后，从Class再输出到浏览器、控制台或数据库等。

 

 

 

JSP：从源文件到Class的过程

 

 

 

Jsp的源文件是以“.jsp”结尾的文本文件。在本节中，将阐述JSP文件的解释和编译过程，并跟踪其中的中文变化。

 

 

 

1、JSP/Servlet引擎提供的JSP转换工具（jspc）搜索JSP文件中用＜%@ page contentType ="text/html; charset=＜Jsp-charset＞"%＞中指定的charset。如果在JSP文件中未指定＜Jsp-charset＞，则取JVM中的默认设置file.encoding，一般情况下，这个值是ISO8859-1；

 

 

 

2、jspc用相当于“javac ?encoding ＜Jsp-charset＞”的命令解释JSP文件中出现的所有字符，包括中文字符和ASCII字符，然后把这些字符转换成Unicode字符，再转化成UTF格式，存为JAVA文件。ASCII码字符转化为Unicode字符时只是简单地在前面加“00”，如“A”，转化为“u0041”（不需要理由，Unicode的码表就是这么编的）。然后，经过到UTF的转换，又变回“41”了！这也就是可以使用普通文本编辑器查看由JSP生成的JAVA文件的原因；

 

 

 

3、引擎用相当于“javac ?encoding UNICODE”的命令，把JAVA文件编译成CLASS文件；

 

 

 

先看一下这些过程中中文字符的转换情况。有如下源代码：

 

 

 

＜%@ page contentType="text/html; charset=gb2312"%＞

 

＜html＞＜body＞

 

＜%

 

　String a="中文";

 

　out.println(a);

 

%＞

 

＜/body＞＜/html＞

 

 

 

这段代码是在UltraEdit for Windows上编写的。保存后，“中文”两个字的16进制编码为“D6 D0 CE C4”（GB2312编码）。经查表，“中文”两字的Unicode编码为“u4E2Du6587”，用 UTF表示就是“E4 B8 AD E6 96 87”。打开引擎生成的由JSP文件转变而成的JAVA文件，发现其中的“中文”两个字确实被“E4 B8 AD E6 96 87”替代了，再查看由JAVA文件编译生成的CLASS文件，发现结果与JAVA文件中的完全一样。

 

 

 

再看JSP中指定的CharSet为ISO-8859-1的情况。

 

 

 

＜%@ page contentType="text/html; charset=ISO-8859-1"%＞

 

＜html＞＜body＞

 

＜%

 

　String a="中文";

 

　out.println(a);

 

%＞

 

＜/body＞＜/html＞

 

 

 

同样，该文件是用UltraEdit编写的，“中文”这两个字也是存为GB2312编码“D6 D0 CE C4”。先模拟一下生成的JAVA文件和CLASS文件的过程：jspc用ISO-8859-1来解释“中文”，并把它映射到Unicode。由于ISO-8859-1是8位的，且是拉丁语系，其映射规则就是在每个字节前加“00”，所以，映射后的Unicode编码应为“u00D6u00D0u00CEu00C4”，转化成UTF后应该是“C3 96 C3 90 C3 8E C3 84”。好，打开文件看一下，JAVA文件和CLASS文件中，“中文”果然都表示为“C3 96 C3 90 C3 8E C3 84”。

 

 

 

如果上述代码中不指定＜Jsp-charset＞，即把第一行写成“＜%@ page contentType="text/html" %＞”，JSPC会使用file.encoding的设置来解释JSP文件。在RedHat 6.2上，其处理结果与指定为ISO-8859-1是完全相同的。

 

 

 

到现在为止，已经解释了从JSP文件到CLASS文件的转变过程中中文字符的映射过程。一句话：从“JspCharSet到Unicode再到UTF”。下表总结了这个过程：

 

 

 

表2　“中文”从JSP到CLASS的转化过程

 

 

 

Jsp-CharSet JSP文件中 JAVA文件中 CLASS文件中

 

GB2312 D6 D0 CE C4(GB2312) 从u4E2Du6587(Unicode)到E4 B8 AD E6 96 87 (UTF) E4 B8 AD E6 96 87 (UTF)

 

ISO-8859-1 D6 D0 CE C4

 

(GB2312) 从u00D6u00D0u00CEu00C4 (Unicode)到C3 96 C3 90 C3 8E C3 84 (UTF) C3 96 C3 90 C3 8E C3 84 (UTF)

 

无（默认＝file.encoding） 同ISO-8859-1 同ISO-8859-1 同ISO-8859-1

 

 

 

下节先讨论Servlet从JAVA文件到CLASS文件的转化过程，然后再解释从CLASS文件如何输出到客户端。之所以这样安排，是因为JSP和Servlet在输出时处理方法是一样的。

 

 

 

 

 

Servlet：从源文件到Class的过程

 

 

 

Servlet源文件是以“.java”结尾的文本文件。本节将讨论Servlet的编译过程并跟踪其中的中文变化。

 

 

 

用“javac”编译Servlet源文件。javac可以带“-encoding ＜Compile-charset＞”参数，意思是“用＜ Compile-charset ＞中指定的编码来解释Serlvet源文件”。

 

 

 

源文件在编译时，用＜Compile-charset＞来解释所有字符，包括中文字符和ASCII字符。然后把字符常量转变成Unicode字符，最后，把Unicode转变成UTF。

 

 

 

在Servlet中，还有一个地方设置输出流的CharSet。通常在输出结果前，调用HttpServletResponse的setContentType方法来达到与在JSP中设置＜Jsp-charset＞一样的效果，称之为＜Servlet-charset＞。

 

 

 

注意，文中一共提到了三个变量：＜Jsp-charset＞、＜Compile-charset＞和＜Servlet-charset＞。其中，JSP文件只与＜Jsp-charset＞有关，而＜Compile-charset＞和＜Servlet-charset＞只与Servlet有关。

　　

 

 

看下例：

 

 

 

import javax.servlet.*;

 

 

 

import javax.servlet.http.*;

 

 

 

class testServlet extends HttpServlet

 

{

 

　public void doGet(HttpServletRequest req,HttpServletResponse resp)

 

　throws ServletException,java.io.IOException

 

　{

 

resp.setContentType("text/html; charset=GB2312");

 

java.io.PrintWriter out=resp.getWriter();

 

out.println("＜html＞");

 

out.println("#中文#");

 

out.println("＜/html＞");

 

　}

 

}

 

 

 

该文件也是用UltraEdit for Windows编写的，其中的“中文”两个字保存为“D6 D0 CE C4”（GB2312编码）。

 

 

 

开始编译。下表是＜Compile-charset＞不同时，CLASS文件中“中文”两字的十六进制码。在编译过程中，＜Servlet-charset＞不起任何作用。＜Servlet-charset＞只对CLASS文件的输出产生影响，实际上是＜Servlet-charset＞和＜Compile-charset＞一起，达到与JSP文件中的＜Jsp-charset＞相同的效果，因为＜Jsp-charset＞对编译和CLASS文件的输出都会产生影响。

 

 

 

表3　“中文”从Servlet源文件到Class的转变过程

 

 

 

Compile-charset Servlet源文件中 Class文件中 等效的Unicode码

 

GB2312 D6 D0 CE C4

 

(GB2312) E4 B8 AD E6 96 87 (UTF) u4E2Du6587 (在Unicode中＝“中文”)

 

ISO-8859-1 D6 D0 CE C4

 

(GB2312) C3 96 C3 90 C3 8E C3 84 (UTF) u00D6 u00D0 u00CE u00C4 (在D6 D0 CE C4前面各加了一个00)

 

无（默认） D6 D0 CE C4 (GB2312) 同ISO-8859-1 同ISO-8859-1

 

 

 

普通Java程序的编译过程与Servlet完全一样。

 

 

 

CLASS文件中的中文表示法是不是昭然若揭了？OK，接下来看看CLASS又是怎样输出中文的呢？

 

 

 

Class：输出字符串

 

 

 

上文说过，字符串在内存中表现为Unicode编码。至于这种Unicode编码表示了什么，那要看它是从哪种字符集映射过来的，也就是说要看它的祖先。这好比在托运行李时，外观都是纸箱子，里面装了什么就要看寄邮件的人实际邮了什么东西。

 

 

 

看看上面的例子，如果给一串Unicode编码“00D6 00D0 00CE 00C4”，如果不作转换，直接用Unicode码表来对照它时，是四个字符（而且是特殊字符）；假如把它与“ISO8859-1”进行映射，则直接去掉前面的“00”即可得到“D6 D0 CE C4”，这是ASCII码表中的四个字符；而假如把它当作GB2312来进行映射，得到的结果很可能是一大堆乱码，因为在GB2312中有可能没有（也有可能有）字符与00D6等字符对应（如果对应不上，将得到0x3f，也就是问号，如果对应上了，由于00D6等字符太靠前，估计也是一些特殊符号，真正的汉字在Unicode中的编码从4E00开始）。