深入浅出Java中文问题(一) 引言

深入浅出Java中文问题(一) 引言

真正接触过java，或者说曾经用java解决过实际问题的人，对java的中文问题应该都有一定了解。为什么我在编辑器中输入的中文好好的，在控制台打印出来却变成了“星星月亮和问号”呢？我的系统在开发过程中一点问题没有，怎么部署到实际环境中却所有中文都变成了乱码甚至整个系统都运行不起来呢？嘿嘿，你很可能就是遇到java中文问题了。java中文问题是什么？为什么会这样？我该怎么办？问题的答案应该是所有跟类似问题初次碰面的人最迫切想知道的。

java中文问题已经是个老大难问题了，网上也好很多相关的文章，有的对原理进行了深入的分析，有的提出了解决方案。当问题出现的时候，google，baidu一下，然后根据，糊弄几下，确实有立杆见影的效果。但是，每次都这样子缝缝补补总让人放不下心呐，万一哪天又出问题，都不知道是哪里出了漏子。知其然不知其所以然的事情，还是少做为妙。

本人就曾经跟java中文问题有过一次“美丽的邂逅”，其中的缠绵悱恻已是不堪回首。趁着最近有时间 ，决定跟它做一个彻底的了断，于是就有了这一系列的文章。（过程是有点痛苦，花了额整整两天，人都憔悴了。。）

 

一、什么是java中文问题
简单作一个定义吧（自己搞的，看看就好，呵呵）：所谓java中文问题是指在使用java环境的过程中由于某种原因导致中文数据不能被正确显示和记录的现象。什么时候会出现这个问题呢？举几个例子吧：当你在中文平台下用编辑器编写好含有中文的java源代码（实现控制台输出之类的），然后把它放到一个英文平台中用javac按照默认设置进行编译，执行的时候中文问题就出现了。还有一个例子就是编写java web应用的时候，当jsp、servlet中没有设置好页面的编码方式或者输入输出时的编码解码方式时，也会出现中文问题。说起来蛮抽象的，不过现在只要了解java中文问题不是别的，就是中文在使用java的过程中没有得到正确的处理，导致乱码现象的出现。还有一点就是，所谓的“中文问题”并不是只有中文才会遭遇这类问题，其实其它使用非英文（西欧）文字的国家和地区，譬如日本，韩国，香港，台湾等都会有这种问题的，只是我们用“中文问题”做一个代表而已。

 

二、为什么java会产生中文问题
要了解这个问题，就要有字符集（charset）和字符编码（encoding）的概念了。字符集说明了哪些字符被收集到标准中，而编码则是说明字符集里面的字符是怎样存储的，是用一个字节还是多个字节。我们也可以这样理解，字符集就像我们的语言，像汉语，英语，法语之类的；而字符编码就是各种语言相应的文字，是表明如何记录和书写的。文字可以记录在纸上，而字符编码可以写入到文件中。我们看到纸上那个符号，就知道那代表了什么意义了；计算机一读到文件中的那个编码，也知道它代表什么含义。人的世界里语言各色各样，计算机世界里的字符集也不少，我们常用的就有ASCII，ISO-8859-1,GB2312,GBK,BIG5,Unicode(UTF-8,UTF-16)等等。

字符集那么多，而字符编码的方案就那么几个（无非就是单字节，双字节，多字节），因此肯定会出现“撞车”现象。都是记录在文件中的编码“0xBA 0xBA”,在GBK看来就是一个“汉”字，但是在ISO-8859-1看来却变成了两个“？”，说是认不到。这就像一个纸上写着个“爹”，我们都知道汉语里那是老爸的意思，但是跑到日语里，就不知变成什么意思了。最要命的是，如果没有上下文指明这是汉字还是日本字，那么就算有一个人精通这两种语言，对于如何解析也是无从下手的。java面临的就是这样的问题，因为java内部是Unicode的，因此理论上可以处理世界上任何一种字符编码。但是java运行在这样一个纷繁复杂的世界中，要处理各色各样的输入和输出，要和各种字符集打交道。我们在使用java的时候，至少给java通知一声，说我现在给你的是GBK的哦，你给我输出为ISO-8859-1的，那边的猪头只认识那些英文字符的。OK，马上，java知道以后，就可以正确完成你所布置的任务了。
但是，如果你什么都不说，java只好按照默认的方式进行工作了。假设java的默认方式是按照GBK读写的，但是有一天，你给了java一段utf-8的数据，又没有跟它指明，好了，中文问题就来了。此情此景，就像某人递给你一张纸条，上书“奸爸爹”，却没告诉你这是日文，你就把它当中文理解，于是×※＃＃￥。。
所以啊，说到底，java中文问题就是因为在使用java处理输入输出的过程中没有进行正确的设置而导致的。你可能会说，怎么这么麻烦啊，怎么不见人家php,asp会出现这种问题。呵呵，因为你要享受java“一次编译，到处运行”的好处，就必须付出点代价，上帝是很公平的。

 

 

三、如何解决java中文问题
好了，我认了，那怎么解决呢？具体问题具体分析。java中文问题的具体原因有很多，随着所处的环境的不同，解决方法也有所差异。具体的解决方法会在后续的文章中一一给出。

 

 

 

通过引言我们可以知道，java中文问题是由于在输入输出时字符集之间的错位而产生的。那么，当前比较通用的字符集有哪些呢？它们都有些什么特点？它们之间有什么区别和联系？为什么字符集错位会导致出现中文问题呢？要回答这些问题，我们就要对字符集有一个系统的了解。网络上有一篇文章对此作了系统详细的描述，上面的文字相当简明到位。摘抄部分至此，作为系列文章的第二篇，也作以后复习之用。这里并没有把整个文章摘抄下来，主要是为了系列文章的连续性。

字符，字节和编码

原文地址：http://www.regexlab.com/zh/encoding.htm

级别：中级

摘要：本文介绍了字符与编码的发展过程，相关概念的正确理解。举例说明了一些实际应用中，编码的实现方法。然后，本文讲述了通常对字符与编码的几种误解，由于这些误解而导致乱码产生的原因，以及消除乱码的办法。本文的内容涵盖了“中文问题”，“乱码问题”。

掌握编码问题的关键是正确地理解相关概念，编码所涉及的技术其实是很简单的。因此，阅读本文时需要慢读多想，多思考。

引言

“字符与编码”是一个被经常讨论的话题。即使这样，时常出现的乱码仍然困扰着大家。虽然我们有很多的办法可以用来消除乱码，但我们并不一定理解这些办法的内在原理。而有的乱码产生的原因，实际上由于底层代码本身有问题所导致的。因此，不仅是初学者会对字符编码感到模糊，有的底层开发人员同样对字符编码缺乏准确的理解。

1. 编码问题的由来，相关概念的理解

1.1 字符与编码的发展

从计算机对多国语言的支持角度看，大致可以分为三个阶段：

	系统内码	说明	系统
阶段一	ASCII	计算机刚开始只支持英语，其它语言不能够在计算机上存储和显示。	英文 DOS
阶段二	ANSI编码 （本地化）	为使计算机支持更多语言，通常使用 0x80~0xFF 范围的 2 个字节来表示 1 个字符。比如：汉字 '中' 在中文操作系统中，使用 [0xD6,0xD0] 这两个字节存储。 不同的国家和地区制定了不同的标准，由此产生了 GB2312, BIG5, JIS 等各自的编码标准。这些使用 2 个字节来代表一个字符的各种汉字延伸编码方式，称为 ANSI 编码。在简体中文系统下，ANSI 编码代表 GB2312 编码，在日文操作系统下，ANSI 编码代表 JIS 编码。 不同 ANSI 编码之间互不兼容，当信息在国际间交流时，无法将属于两种语言的文字，存储在同一段 ANSI 编码的文本中。	中文 DOS，中文 Windows 95/98，日文 Windows 95/98
阶段三	UNICODE （国际化）	为了使国际间信息交流更加方便，国际组织制定了UNICODE 字符集，为各种语言中的每一个字符设定了统一并且唯一的数字编号，以满足跨语言、跨平台进行文本转换、处理的要求。	Windows NT/2000/XP，Linux，Java

 

字符串在内存中的存放方法：

在 ASCII 阶段，单字节字符串使用一个字节存放一个字符（SBCS）。比如，"Bob123" 在内存中为：

42	6F	62	31	32	33	00
B	o	b	1	2	3	\0

在使用 ANSI 编码支持多种语言阶段，每个字符使用一个字节或多个字节来表示（MBCS），因此，这种方式存放的字符也被称作多字节字符。比如，"中文123" 在中文 Windows 95 内存中为7个字节，每个汉字占2个字节，每个英文和数字字符占1个字节：

D6	D0	CE	C4	31	32	33	00
中	文	1	2	3	\0

在 UNICODE 被采用之后，计算机存放字符串时，改为存放每个字符在 UNICODE 字符集中的序号。目前计算机一般使用 2 个字节（16 位）来存放一个序号（DBCS），因此，这种方式存放的字符也被称作宽字节字符。比如，字符串 "中文123" 在 Windows 2000 下，内存中实际存放的是 5 个序号：

2D	4E	87	65	31	00	32	00	33	00	00	00	← 在 x86 CPU 中，低字节在前
中	文	1	2	3	\0

一共占 10 个字节。

1.2 字符，字节，字符串

理解编码的关键，是要把字符的概念和字节的概念理解准确。这两个概念容易混淆，我们在此做一下区分：

	概念描述	举例
字符	人们使用的记号，抽象意义上的一个符号。	'1', '中', 'a', '$', '￥', ……
字节	计算机中存储数据的单元，一个8位的二进制数，是一个很具体的存储空间。	0x01, 0x45, 0xFA, ……
ANSI 字符串	在内存中，如果“字符”是以 ANSI 编码形式存在的，一个字符可能使用一个字节或多个字节来表示，那么我们称这种字符串为 ANSI 字符串或者多字节字符串。	"中文123" （占7字节）
UNICODE 字符串	在内存中，如果“字符”是以在 UNICODE 中的序号存在的，那么我们称这种字符串为 UNICODE 字符串或者宽字节字符串。	L"中文123" （占10字节）

由于不同 ANSI 编码所规定的标准是不相同的，因此，对于一个给定的多字节字符串，我们必须知道它采用的是哪一种编码规则，才能够知道它包含了哪些“字符”。而对于 UNICODE 字符串来说，不管在什么环境下，它所代表的“字符”内容总是不变的。

 

1.3 字符集与编码

各个国家和地区所制定的不同 ANSI 编码标准中，都只规定了各自语言所需的“字符”。比如：汉字标准（GB2312）中没有规定韩国语字符怎样存储。这些 ANSI 编码标准所规定的内容包含两层含义：

1. 使用哪些字符。也就是说哪些汉字，字母和符号会被收入标准中。所包含“字符”的集合就叫做“字符集”。

2. 规定每个“字符”分别用一个字节还是多个字节存储，用哪些字节来存储，这个规定就叫做“编码”。

各个国家和地区在制定编码标准的时候，“字符的集合”和“编码”一般都是同时制定的。因此，平常我们所说的“字符集”，比如：GB2312, GBK, JIS 等，除了有“字符的集合”这层含义外，同时也包含了“编码”的含义。

“UNICODE 字符集”包含了各种语言中使用到的所有“字符”。用来给 UNICODE 字符集编码的标准有很多种，比如：UTF-8, UTF-7, UTF-16, UnicodeLittle, UnicodeBig 等。

1.4 常用的编码简介

简单介绍一下常用的编码规则，为后边的章节做一个准备。在这里，我们根据编码规则的特点，把所有的编码分成三类：

分类	编码标准	说明
单字节字符编码	ISO-8859-1	最简单的编码规则，每一个字节直接作为一个 UNICODE 字符。比如，[0xD6, 0xD0] 这两个字节，通过 iso-8859-1 转化为字符串时，将直接得到 [0x00D6, 0x00D0] 两个 UNICODE 字符，即 "D"。 反之，将 UNICODE 字符串通过 iso-8859-1 转化为字节串时，只能正常转化 0~255 范围的字符。
ANSI 编码	GB2312, BIG5, Shift_JIS, ISO-8859-2 ……	把 UNICODE 字符串通过 ANSI 编码转化为“字节串”时，根据各自编码的规定，一个 UNICODE 字符可能转化成一个字节或多个字节。 反之，将字节串转化成字符串时，也可能多个字节转化成一个字符。比如，[0xD6, 0xD0] 这两个字节，通过 GB2312 转化为字符串时，将得到 [0x4E2D] 一个字符，即 '中' 字。 “ANSI 编码”的特点： 1. 这些“ANSI 编码标准”都只能处理各自语言范围之内的 UNICODE 字符。 2. “UNICODE 字符”与“转换出来的字节”之间的关系是人为规定的。
UNICODE 编码	UTF-8, UTF-16, UnicodeBig ……	与“ANSI 编码”类似的，把字符串通过 UNICODE 编码转化成“字节串”时，一个 UNICODE 字符可能转化成一个字节或多个字节。 与“ANSI 编码”不同的是： 1. 这些“UNICODE 编码”能够处理所有的 UNICODE 字符。 2. “UNICODE 字符”与“转换出来的字节”之间是可以通过计算得到的。

我们实际上没有必要去深究每一种编码具体把某一个字符编码成了哪几个字节，我们只需要知道“编码”的概念就是把“字符”转化成“字节”就可以了。对于“UNICODE 编码”，由于它们是可以通过计算得到的，因此，在特殊的场合，我们可以去了解某一种“UNICODE 编码”是怎样的规则。

2. 几种误解，以及乱码产生的原因和解决办法

2.1 容易产生的误解

 

	对编码的误解
误解一	在将“字节串”转化成“UNICODE 字符串”时，比如在读取文本文件时，或者通过网络传输文本时，容易将“字节串”简单地作为单字节字符串，采用每“一个字节”就是“一个字符”的方法进行转化。 而实际上，在非英文的环境中，应该将“字节串”作为 ANSI 字符串，采用适当的编码来得到 UNICODE 字符串，有可能“多个字节”才能得到“一个字符”。 通常，一直在英文环境下做开发的程序员们，容易有这种误解。
误解二	在 DOS，Windows 98 等非 UNICODE 环境下，字符串都是以 ANSI 编码的字节形式存在的。这种以字节形式存在的字符串，必须知道是哪种编码才能被正确地使用。这使我们形成了一个惯性思维：“字符串的编码”。 当 UNICODE 被支持后，Java 中的 String 是以字符的“序号”来存储的，不是以“某种编码的字节”来存储的，因此已经不存在“字符串的编码”这个概念了。只有在“字符串”与“字节串”转化时，或者，将一个“字节串”当成一个 ANSI 字符串时，才有编码的概念。 不少的人都有这个误解。

 

第一种误解，往往是导致乱码产生的原因。第二种误解，往往导致本来容易纠正的乱码问题变得更复杂。

在这里，我们可以看到，其中所讲的“误解一”，即采用每“一个字节”就是“一个字符”的转化方法，实际上也就等同于采用 iso-8859-1 进行转化。因此，我们常常使用 bytes = string.getBytes("iso-8859-1") 来进行逆向操作，得到原始的“字节串”。然后再使用正确的 ANSI 编码，比如 string = new String(bytes, "GB2312")，来得到正确的“UNICODE 字符串”。

 

2.2 非 UNICODE 程序在不同语言环境间移植时的乱码

非 UNICODE 程序中的字符串，都是以某种 ANSI 编码形式存在的。如果程序运行时的语言环境与开发时的语言环境不同，将会导致 ANSI 字符串的显示失败。

比如，在日文环境下开发的非 UNICODE 的日文程序界面，拿到中文环境下运行时，界面上将显示乱码。如果这个日文程序界面改为采用 UNICODE 来记录字符串，那么当在中文环境下运行时，界面上将可以显示正常的日文。

由于客观原因，有时候我们必须在中文操作系统下运行非 UNICODE 的日文软件，这时我们可以采用一些工具，比如，南极星，AppLocale 等，暂时的模拟不同的语言环境。

3. 几种错误理解的纠正

误解：“ISO-8859-1 是国际编码？”

非也。iso-8859-1 只是单字节字符集中最简单的一种，也就是“字节编号”与“UNICODE 字符编号”一致的那种编码规则。当我们要把一个“字节串”转化成“字符串”，而又不知道它是哪一种 ANSI 编码时，先暂时地把“每一个字节”作为“一个字符”进行转化，不会造成信息丢失。然后再使用 bytes = string.getBytes("iso-8859-1") 的方法可恢复到原始的字节串。

误解：“Java 中，怎样知道某个字符串的内码？”

Java 中，字符串类 java.lang.String 处理的是 UNICODE 字符串，不是 ANSI 字符串。我们只需要把字符串作为“抽象的符号的串”来看待。因此不存在字符串的内码的问题

 

 

现代计算机采用的都是冯.诺依曼体系结构，因此都具有相同的结构特征，拥有五大组成部分：输入数据和程序的输入设备，记忆程序和数据的存储器,完成数据加工处理的运算器,控制程序执行的控制器,输出处理结果的输出设备。JVM是一台虚拟的计算机，也有类似的特征。本系列文章研究的是java中文问题，跟输入输出有着密切的联系，为了突出重点，我们暂且将JVM的其它细节放下，只需了解JVM内部的数据是用Unicode表示的，使用的编码方式是UTF-16(至于是UTF-16LE还是UTF-16BE就要看具体的虚拟机实现了,intel x86 -windows 下是UTF-16LE，这可以使用 System.getProperty("sun.io.unicode.encoding") 取得)。 
现在我们具体来看运行一个控制台程序所经历的步骤以及这个过程中涉及到输入和输出。一个程序从源代码到运行大概会经历这么一个过程：
1、使用一个文本编辑器编写java源代码，完毕后保存到一个.java文件中。如果指定文件的保存格式（GBK，UTF-8 ect.），则用指定的格式保存，否则使用默认编码方式保存（记事本，Editplus，eclipse等都是使用系统默认的编码方式GBK）。
2、使用javac命令编译.java源文件，产生.class文件，以UTF-8格式保存。注意，.class文件的格式必须是UTF-8,不需要指定，也不管系统默认的编码方式是什么。
3、使用java程序，运行jvm，载入编译好的.class文件，程序开始运行。
4、运行过程中，程序从输入（标准输入，文件，网络）中取得数据，进行相应的编码转换后放进JVM，以供运算使用。运算完毕后，将产生的数据进行编码转换后输出到指定位置（标准输出，文件，网络）
这样，程序就一直运行下去，直到结束。这期间，哪些地方有可能出现中文问题呢？下面一一道来：
1、使用javac进行编译时。如果我们.java源文件保存的编码方式跟javac指定的读入编码方式不一致，则会出现中文问题。譬如，我们在中文windows环境下用eclipse编写好源文件，然后到一个英文linux环境下进行编译，如果javac时没有指定编码方式为GBK，那么javac就会按照当前系统的默认编码方式（ISO-8859-1）进行解析，虽然里面的英文字符是不会出错的，但是中文就全部变成乱码了，也就是说，javac产生的.class文件中存储的中文字符是错误的。这样，运行的时候肯定也就出问题了。
建议 1 ：保存.java源文件时使用UTF-8进行保存，在使用javac编译的时候通过参数 -encoding UTF-8指定编码方式。这样，可以保证源程序在任何支持UTF-8的平台上都能通过编译。PS:通过记事本的另存为将一个源文件保存成UTF-8时，会在文件头部加上一个BOM（ef bb bf），javac会报错。但是用Editplus（从Doucument菜单中选择Permanet Settings,有三个分类，分别是General,File,Tools.点击File,右边会有一项是 UTF-8 signature: 选择 always remove signature. 点击OK），eclipse却不会出现这种问题。 

2、控制台跟操作系统密切相关，标准输入输出的编码都是固定的，也就是系统的默认编码，这是不能动态改变的。如果你程序里有中文编码，在中文环境下调用System.out.println("汉"); jvm会自动将输出流转换为GBK字节串交给控制台，控制台使用默认编码就正确输出了。但是该语句在英文环境下运行的话，那里的默认编码是ISO-8859-1,jvm就将“汉”转换成相应编码交给控制台，也就是两个“？”了。
建议 2：如果程序要跨平台的话，程序里用到控制台输出的代码最好不用中文字符。

3、如果数据来自网络或者文件的话，数据源的编码方式可以多种多样。因此，我们在读入的时候一定要清楚数据源的编码方式，通知jvm进行正确的处理，否则也会出现中文问题。下面以文件读写为例。
java 中处理字符的读写一般使用FileReader和FileWriter。但是这两个类都是使用系统默认的字符编码进行文件的读写，而且不能更改处理时的编码方式。也就是说，在GBK平台只能处理GBK的文件，在ISO-8859-1的平台只能处理ISO-8859-1的文件，这当然是不能接受的。因此，使用InputStreamReader 和 OutputStreamWriter吧。只要你能保证数据源的编码方式，然后读写时配置好相应的读写器的编码方式，就不会出现中文问题了。

建议 3 ：使用文件进行数据交换时，最好统一文件的编码方式，如UTF-8。虽然对于中文来说，体积会增大50%,但是换来的是很好的跨平台特性。xml就是一个很好的例子。

如果能很好地做到上面几条，那么对于一个控制台应用程序来说应该是可以避免中文问题了。

 

Web应用中出现的中文问题可能是最常见的，也是网络上讨论得最多的java中文问题了，而这跟JSP（Servlet）技术在Web中的广泛应用有着紧密的联系。Web应用运行在一个分布式的环境中，服务端和客户端通过HTTP协议连接在一起，而数据交换的双方分别是Web容器和浏览器。这就是一个典型的B/S结构的分布式应用。Web容器的存在是Web应用跟一般的控制台程序最大的不同之处。在一般的控制台程序中，数据是直接交付给程序员进行处理的，这样程序员对数据格式的控制有很大的自由度，也比较直观。但是在Web应用中，来自客户端的数据是先交付给Web容器，Web容器处理过后再交给程序员的；输出时也同样要经过Web容器进行中转。在这个中转过程中，Web容器帮我们完成了很多基础而且繁琐的工作，但是也在一定程度上减弱了我们对数据控制的自由度。此时，我们只能通过配置Web容器或者在JSP（Servlet）文件中指定的方式来管理数据的编码方式。如果没有处理好这些配置，那么就会出现中文问题了。
解决Web应用中的中文问题，我们同样需要了解Web应用的运行过程，搞清楚哪个步骤会导致中文问题的出现，这才能有的放矢，一击即中。现在，用得比较多的Web容器是tomcat，而 tomcat的默认编码方式是ISO-8859-1，而不是系统的默认编码方式。很多的中文问题就是因为这个原因产生的。下面的描述都是基于tomcat环境的。
Servlet的编写和保存方式跟普通的.java源文件是一致的，当客户端请求该Servlet时，Web容器将相应的.class文件调入虚拟机中，运行，得到结果。
JSP是一种特殊的Servlet，当客户端请求某个JSP文件时，WEB容器调用JSP编译器，JSP编译器先查看JSP文件中是否设置有文件编码格式（使用pageEncoding 属性进行设置），如果JSP文件中没有设置JSP文件的编码格式，则JSP编译器调用JDK先把JSP文件用JVM默认的字符编码格式(也即WEB容器所在的操作系统的默认的file.encoding)转化为临时的Servlet类，然后再把它编译成UNICODE格式的class类，并保存在临时文件夹中。从这以后，JSP的运作方式就跟Servlet保持一致了。
值得注意的是，在部署的过程中，对于Servlet我们只需要编译过后的.class文件，但是对于JSP，我们却需要它的源文件，而这些源文件是在运行过程中由Web容器动态编译成.class文件的，因此我们必须通知Web容器我们的JSP文件是用什么编码方式保存的（使用指令 pageEncoding），而且我们JSP文件的实际保存方式必须与此相同。（一般的IDE都会自动实现这个功能，保证pageEncoding属性的值跟JSP文件的实际保存格式的一致性。但是如果你是用记事本等工具来编写的话就要自己注意了，很可能会出现pageEncoding="UTF-8"，但是却按系统默认编码方式保存为GBK的，这样中文问题又来了）。
在Servlet的运作过程中，会收到来自客户端的数据或者向客户端输出数据，如果在这个过程中没有指定request和response的编码方式，Servlet会默认使用ISO-8859-1，而不是系统默认的编码方式。因此，如果输入或者输出的数据含有中文字符，但是程序中却没有指明编码方式，那么Web容器就会用ISO8859-1进行处理，这样就会出现中文问题了。
基于上述分析，我们在编写Web应用的时候可以进行以下处理，以防止中文问题的出现。
1、对于Servlet，我们在doGet和doPost方法中设置好输入和输出的编码方式。

//设置输入编码格式
request.setCharacterEncoding("UTF-8");
//设置输出编码格式
response.setContentType("text/html;charset=UTF-8");

 

2、在每个JSP文件中加入以下指令和语句，确保JSP文件的编码方式在不同的平台中都能够正确识别，同时正确处理相应的输入和输出。

<%@page pageEncoding="UTF-8"%>//设置页面编码格式
<%@page contentType="text/html;charset=UTF-8"%>//设置输出编码格式
<%request.setCharacterEncoding("UTF-8");%>//设置输入时编码格式

3、如果你嫌每个文件都这么携麻烦的话，用Filter吧。只在doFilter方法中设定好输入输出的编码方式就可以了。但是提醒一下，在这里设定ContentType对Servlet可以起作用，但是对于JSP是没有效果的，因为JSP页面已经隐含调用了getWriter方法，setContentType方法已经不起作用了。对于JSP，还是只有在页面上指定ContentType。

本来，经过上述几个步骤以后，关于JSP（Servlet）的中文问题也就解决了，但是如果你使用的Web容器是tomcat，并且版本在5.0以上，那么新问题又出来了：在处理输入数据过程中，tomcat在处理GET方法和POST方法时方式是不相同的。对于POST方法，经过上面的设置后，tomcat就十分顺从地按照设置的方式处理输入输出数据了。但是对于GET方法，tomcat却显得有点不可理喻，它根本不管我们在程序中request.setCharacterEncoding(encoding)的设置，而是一意孤行，使用ISO-8859-1进行解码，中文问题又出来了。
怎么办呢？不用怕，人民的力量是伟大的。首先，我们要清楚提交给GET方法处理的数据是浏览器按照URL参数的形式传递过去的。哪些数据会使用这种方式进行传递呢？
第一种，是程序员显示地将参数附加到连接的URL中，用以传递数据。如在JSP页面中有以下语句：

<%
String str = "数据";
%>
<ahref="view.jsp?data=<%=str%>">点击传递数据</a>

在这种情况下，数据传递过去一定是乱码来的。我们必须先将数据进行URL编码，然后再附加再URL后面进行传递。Java中提供了URL编码相关编码和解码的类。如下：

<%
String data= "数据";
String encodedStr = java.net.URLEncoder.encode(data,"utf-8");
%>
<ahref="view.jsp?data=<!---->">点击传递数据a>

第二种情况，是表单使用属性method设定为GET，这样，浏览器会按照当前页面的编码方式自动将表单中的数据编码成URL编码，然后通过URL参数的形式进行传递。
现在，数据是传递过去了，tomcat也收到了，它将怎么处理呢？
1、如果按照默认设置的话，它将按照ISO-8859-1进行解码。如果在数据接收jsp页面或者Servlet中直接使用的话，肯定是要出现乱码了。要解决这个问题，我们在接收处可以这样处理：

2、如果我们不想这么麻烦，每次都重新解码的话，我们可以通知tomcat一声。方法如下：打开tomcat的server.xml文件，在上面添上一句：

debug="0"
acceptCount="100"
connectionTimeout="20000"
disableUploadTimeout="true"
port="80"
redirectPort="8443"
enableLookups="false"
minSpareThreads="25"
maxSpareThreads="75"
maxThreads="150"
maxPostSize="0"
URIEncoding="UTF-8"

这样，tomcat就会自动按照UTF-8解码URL传递过来的数据，还中文的“真我本色”。但是这样的话，我们必须URL传递的数据都是使用UTF-8来编码的。

通过上面设置，java中文问题应该可以在web应用中退出江湖了。当然，Web应用一个很重要的组成部分是数据库，这里同样会出现中文问题，这部分内容将在后续的文章中描述。

数据库的重要作用无需多言，java也为我们提供了多种数据库存取方法，如 JDBC，ORM（Hibernate，Toplink）以及EJB中的Entity bean等。其中JDBC是基础，为后面两种方案提供了底层API；后两种对JDBC进行包装，使得我们使用面向对象的方式来操作数据库。在实际运用过程中，我们可以根据自己的实际情况，各取所需。本文主要研究数据库存取过程中可能出现的中文问题，因此选用比较底层的JDBC作为例子。
使用JDBC操作数据库，我们必须得有数据库或者第三方厂商专门提供的数据库驱动程序，在程序运行过程中，我们将驱动程序动态加载到程序中，以连接并操作数据库。下面是使用JDBC操作mysql 5.0和sql server 2000的一个简单例子，我们可以看到，两者只是加载的驱动有所不同，其余操作都是一摸一样的，这充分体现了JDBC提供同一操纵接口的优越性。

java 代码

//加载驱动，下载的驱动的jar包必须位于classpath中，加载完后，驱动自动
//自动在DriverManager中进行注册
Class.forName("org.gjt.mm.mysql.Driver"); //mysql
String url = "jdbc:mysql://127.0.0.1/test";
String user = "root";
String psw = "123456";
//Class.forName("com.jnetdirect.jsql.JSQLDriver"); //sql server
//String url = "jdbc:JSQLConnect://127.0.0.1/database=test";
//String user = "sa";
//String psw = "123456";
Connection con = DriverManager.getConnection(url,user,psw);
String insert = "insert into teacher values(1,'张老师')";
Statement sta = con.createStatement();
sta.execute(insert);
String sql = "select name from teacher where id=1";
ResultSet rs = st.executeQuery(sql);
//如果我们将ResultSet想象为一张二维表，那么返回时，游标处于第一行的上方
//必须先将其移动到第一行处才能进行读写
while( rs.next()){
String des = rs.getString("name");
System.out.println(des);
}
//资源清理
rs.close();
sta.close();
con.close();

使用JDBC操作数据库的过程中，要避免中文问题的出现，必须注意数据库的默认编码方式。mysql的默认编码在安装时可以选取，默认是latine1（也就是ISO-8859-1），安装后可以通过修改my.ini文件进行修改。SQL Sever在安装的时候可以选取，但是过后好像是不能更改的。
如果按照默认设置，使用sql server 2000 是可以正常运行上面的程序的，不会出现中文问题。
但是使用mysql 5.0，程序在进行插入操作的时候却会抛出异常：

Exception in thread "main" com.mysql.jdbc.MysqlDataTruncation: Data truncation: Data too longforcolumn 'name' at row 1
at com.mysql.jdbc.MysqlIO.checkErrorPacket(MysqlIO.java:2868)
at com.mysql.jdbc.MysqlIO.sendCommand(MysqlIO.java:1573)
at com.mysql.jdbc.MysqlIO.sqlQueryDirect(MysqlIO.java:1665)
at com.mysql.jdbc.Connection.execSQL(Connection.java:3118)
at com.mysql.jdbc.Connection.execSQL(Connection.java:3047)
at com.mysql.jdbc.Statement.execute(Statement.java:690)
at test.Test.mysqlTest(Test.java:73)
at test.Test.main(Test.java:39)

我们可以通过更改数据库的默认编码来解决这个问题：首先打开my.ini文件，修改default-character-set属性，注意，是[mysqld]下方那个，前面那个是给mysql的客户端看的。

[mysqld]
# The TCP/IP Port the MySQL Server will listen on
port=3306
#Path to installation directory. All paths are usually resolved relative to this.
basedir="G:/MySQL/MySQL Server 5.0/"
#Path to the database root
datadir="G:/MySQL/MySQL Server 5.0/Data/"
# The default character set that will be used when a new schema or table is
# created and no character set is defined
# default-character-set=latin1
default-character-set=utf8

注意了，是utf8而不是utf-8，没有那个小横杠的，不然mysql启动的时候会出错。重新启动mysql后，程序就能正常运行了。
有些文章提到在书写url的时候要加上useUnicode和characterEncoding属性，写成

String url = "jdbc:mysql://127.0.0.1/test?useUnicode=true&characterEncoding=utf-8"

其实，对于版本为4.1以后的mysql，不附加后面两个参数，驱动程序会自动检测数据库的编码方式以作相应的转换，因此，只要你数据库的编码方式设置好，驱动程序就能正确处理中文了。