JAVA中文字符编码问题详解(2)

四、JSP读取request.getParameter里的中文参数后，在页面显示为乱码。
 
  在JAVA的WEB应用中，对request对象里的parameters的中文处理一直是常见也最难搞的一只大怪兽。经常是刚搞定了这边，那边又出了乱码。而导致这种复杂性的，主要是此过程中字符编解码次数非常多，而且无论是浏览器还是WEB服务器特别是TOMCAT总是不能给我们一个比较满意的支持。
  首先我们来分析用GET方式上传参数的乱码情况。
  例如我们在浏览器地址栏输入以下URL：http://localhost:8080/test/test.jsp?param=大家好
  我们的JSP代码如此处理param这个参数：
  <% String text = request.getParameter("param");  %>
  <%=text%>
  而就这么简单的两句代码，我们很有可能在页面上看到这样的乱码：´ó¼ÒºÃ
  网上对处理request.getParamter中的乱码有很多文章和方法，也都是正确的，只是方法太多让人一直不明白到底是为什么。这里给大家分析一下到底是怎么一回事。
  首先，我们来看看与request对象有哪些相关的编码设置：
  1. JSP文件的字符编码
  2. 请求这个带参数URL的源页面的字符编码
  3. IE的高级设置中的选项“总以utf-8方式发送URL地址”
  4. TOMCAT的server.xml中配置URIEncoding
  5. 函数request.setCharacterEncoding()
  6. JS的encodeURIComponent函数与JAVA的URLDecoder类
  这么多条相关编码设置，也难怪大家被搞得头晕了。这里给大家根据各种情况给大家一一分析一下。见下表：

序号	请求源页面编码	从地址栏输入URL访问	TOMCAT的URIEncoding设置	IE的UTF-8发送URL地址设置	结果
1	UTF-8		未设置	打开	显示符号乱码
2	UTF-8		未设置	关闭	显示符号乱码
3	GBK		为设置	打开	显示符号乱码
4	GBK		未设置	关闭	显示符号乱码
5		地址栏输入	未设置	打开	显示符号乱码
6		地址栏输入	未设置	关闭	显示符号乱码
7	UTF-8		GBK	打开	显示汉字乱码
8	UTF-8		GBK	关闭	显示汉字乱码
9	GBK		GBK	打开	正常
10	GBK		GBK	关闭	正常
11		地址栏输入	GBK	打开	正常
12		地址栏输入	GBK	关闭	正常
13	UTF-8		UTF-8	打开	IE6:奇数个的中文最后一位为乱码 IE7:正常
14	UTF-8		UTF-8	关闭	IE6:奇数个的中文最后一位为乱码 IE7:正常
15		地址栏输入	UTF-8	打开	显示口字乱码
16		地址栏输入	UTF-8	关闭	显示口字乱码
17	GBK		UTF-8	打开	显示问号乱码
18	GBK		UTF-8	关闭	显示问号乱码
19		地址栏输入	UTF-8	打开	显示口字乱码
20		地址栏输入	UTF-8	关闭	显示口字乱码

  以上表格里的现象，除了指名在IE7上，其他全是在IE6上测试的结果。
  由这个表我们可以看到，IE的“总以utf-8方式发送URL地址”设置并不影响对parameter的解析，而从页面请求URL和从地址栏输入URL居然也有不同的表现。
  根据这个表列出的现象，大家只要用smartSniff抓几个网络包，并稍稍调查一下TOMCAT的源代码，就可以得出以下结论：
  1. IE设置中的“总以utf-8方式发送URL地址”只对URL的PATH部分起作用，对查询字符串是不起作用的。也就是说，如果勾选了这个选项，那么类似http://localhost:8080/test/大家好.jsp?param=大家好这种URL，前一个“大家好”将被转化成utf-8形式，而后一个并没有变化。这里所说的utf-8形式，其实应该叫utf-8+escape形式，即%B4%F3%BC%D2%BA%C3这种形式。
  那么，查询字符串中的中文字符，到底是用什么编码传送到服务器的呢？答案是系统默认编码，即GBK。也就是说，在我们中文操作系统上，传送给WEB服务器的查询字符串，总是以GBK来编码的。
  2. 在页面中通过链接或location重定向或open新窗口的方式来请求一个URL，这个URL里面的中文字符是用什么编码的？答：是用该页面的编码类型。也就是说，如果我们从某个源JSP页面上的链接来访问http://localhost:8080/test/test.jsp?param=大家好这个URL，如果源JSP页面的编码是UTF-8，则大家好这几个字的编码就是UTF-8。
  而在地址栏上直接输入URL地址，或者从系统剪贴板粘贴到地址栏上，这个输入并非从页面中发起的，而是由操作系统发起的，所以这个编码只可能是系统的默认编码，与任何页面无关。我们还发现，在不同的浏览器上，用链接方式打开的页面，如果在地址栏上再敲个回车，显示的结果也会不同。IE上敲回车后显示不变化，而傲游上可能就会有乱码或乱码消失的变化。说明IE上敲回车，实际发送的是之前记忆下来的内存中的URL，而傲游上发送的从当前地址栏重新获取的 URL。
  3. TOMCAT的URIEncoding如果不加以设置，则默认使用ISO-8859-1来解码URL，设置后便用设置了的编码方式来解码。这个解码同时包括PATH部分和查询字符串部分。可见，这个参数是对用GET方式传递的中文参数最关键的设置。不过，这个参数只对GET方式传递的参数有效，对POST 的无效。分析TOMCAT的源代码我们可以看到，在请求一个页面时，TOMCAT会尝试构造一个Request对象，在这个对象里，会从 Server.xml里读取URIEncoding的值，并赋值给Parameters类的queryStringEncoding变量，而这个变量将在 解析request.getParameter中的GET参数时用来指导字符解码。
  4. request.setCharacterEncoding函数只对POST的参数有效，对GET的参数无效。且这个函数必须是在第一次调用 request.getParameter之前使用。这是因为Parameters类有两个字符编码参数，一个是encoding，另一个是 queryStringEncoding，而setCharacterEncoding设置的是encoding，这个是在解析POST的参数是才用到 的。
  所以，这就导致了我们通常都要分开处理POST和GET的字符编码，用TOMCAT自带的filter只能处理POST的，另外要设置URIEncoding来设置GET的。这样很麻烦而且URIEncoding无法根据内容来动态区分编码，总还是一个问题。
  在调查TOMCAT的代码时发现了另一个在server.xml里的参数useBodyEncodingForURI，可以解决这个问题。这个参数设成 true后，TOMCAT就会用request.setCharacterEncoding所设置的字符编码来同样解析GET参数了。这样，那个 SetCharacterEncodingFilter就可以同时处理GET和POST参数了。
 
  知道了以上知识后，我们再来分析一下前面表格中列出的几个典型现象。
  第一条，请求源页面的编码为UTF-8，而TOMCAT的URIEncoding未指定，则TOMCAT用ISO8859-1方式来解码参数，所以从request中读出来后，内存中存储的为错误的UNICODE数据，导致之后到屏幕显示的所有转换全部出错。
  第九条，请求源页面编码为GBK，而TOMCAT的URIEncoding也为GBK，TOMCAT用GBK方式去解码原本用GBK编码的字符，解码正确，内存中的UNICODE值正确，最终显示正确的中文。
  第十三条，请求源页面编码为UTF-8，TOMCAT的URIEncoding也为UTF-8，而在IE6中最终显示的中文字符，如果是奇数个数，则最后一个会显示为乱码。这是为什么呢？
  我的猜测是，这是因为IE6将URL地址发送时，对查询字符串是直接对UTF-8格式的字符使用GBK来编码，而不是对UNICODE的字符来用GBK编 码，所以UTF-8的数据没有经过UNICODE而直接编码成了GBK。而到了TOMCAT这边，GBK的编码又被当成UTF-8做了解码。所以这个过程 中经过了UTF-8转换成GBK，然后又从GBK转换成UTF-8的过程，而这种转换，恰好就会出现奇数个中文字符串的最后一位为乱码的现象。而在IE7 中，估计把这种现象当做BUG已经被解决了，即在发送地址时会先转成UNICODE再编码成GBK。那么估计在IE7的浏览器+中文操作系统环境下，如果 我们把TOMCAT的URIEncoding设置成GBK，无论JSP编码成什么格式，都不会出现乱码。这个没测试，请大家自己验证。
  其他几条就不再做分析了，有兴趣的大家自己分析。
  
 

评论

1 楼 小胖vs小猪 2012-09-25  

很好，一定程度上解决了我有些迷惑的问题，