略谈HttpClient和Tomcat的中文编码问题

这几天都在纠结Java Web开发中的中文编码问题。其实，很多Java Web开发者都被中文编码“折磨”过，网络上有大量的讨论。以前我也读过这方面的博文，读完后感觉似乎懂了，好像知道了编码问题的原因和解决方法。但是， 一旦投入到实际开发中，发现自己其实没懂，囧！
连续纠结了几天，总算对前因后果有个清晰地认识，故“略谈”一下。之所以略谈，是因为我并非（也没有能力）完整地阐述Java Web开发的中文编码问题，而是就事论事地总结这几天遇到的问题和收获。

问题

使用HttpClient 3.x发送GET或POST请求，请求参数中包含中文。服务器是Tocmat 5.5，通过断点调试，发现Servlet拿到的中文参数是乱码。显然，HttpClient和Tomcat没有就中文参数的编码达成一致。
于是，开始深入HttpClient和Tomcat的代码，结合断点调试，发现中文编码问题并不是想象中的那么简单。

术语约定

为了使得描述更加请求，我对本文中出现的“术语”进行约定，避免一词多义引起的歧义。

1. Encoding: 编码（动词）
2. Decoding: 解码（动词）
3. Charset: 编码或解码使用的字符集

另外，编码了的数据必然需要解码，因此encoding和decoding往往是同现的。不过为了叙述简练，下文需要两者同现的地方，仅使用encoding。

哪些数据需要encoding？

在研究中文编码问题前，我们首先要弄清一个问题：哪些数据需要encoding？

一个Http请求的数据大致包括URI、Header、和Body三个部分。这三个部分貌似都需要encoding，不过我这次只涉及到URI和Body，因此 就不讨论Header了。

我们一般关心请求参数的中文编码问题。虽然URI Path中也可以包括中文，但是。。。这不是给自己找麻烦吗？
GET的请求参数在QueryString中，是URI的一部分。因此，对于GET请求，我们需要关注，URI是如何encoding的？
POST的请求参数在Body中，因此，对于POST请求，我们则需要关注，Body是如何encoding的？

对于HttpClient和Tomcat来说，encoding和decoding本身是很容易的事情，关键是要知道charset是什么？要不通过API进行设置，要不通过配置文件进行配置。麻烦的是，URI和Body的charset还可以不一样，使用不同的方法进行设置和配置。

HttpClient是一个类库，通过自身提供的API对URI和Body的charset进行设置；Tomcat通过配置项和Servlet API，对URI和Body的charset进行设置。

HttpClient如何设置charset？

我们先看看如何设置GET请求QueryString的charset，然后看看POST请求Body的charset，最后看看如何获取响应数据的charset。

设置GET请求QueryString的charset

我们通过GETMethod的setQueryString方法设置QueryString。setQueryString方法有两种原型，我们分别看看。

public void setQueryString(NameValuePair[] params){
    LOG.trace("enter HttpMethodBase.setQueryString(NameValuePair[])");
    queryString = EncodingUtil.formUrlEncode(params, "UTF-8");
}

原型一以参数键值对的形式设置QueryString，使用固定的UTF-8作为charset，而且做URLEncode。因此，调用原型一之后，HttpClient就不会对QueryString再做任何encoding了。

如果不想使用UTF-8，那么可以使用原型二。

public void setQueryString(String queryString){
     this.queryString = queryString;
}

原型二直接设置QueryString的内容。需要注意的是，queryString参数一定是按照某种charset进行URLEncode之后的字符串 。

另外，也可以通过GETMethod的构造函数，直接设置URLEncode之后的uri （包括了QueryString）：

public GetMethod(String uri) {
    super(uri);
    LOG.trace("enter GetMethod(String)");
    setFollowRedirects(true);
}

设置POST请求Body的charset

首先，我们可以在POST请求中的Header中设置Content-Type：

PostMethod method = new PostMethod();
method.addRequestHeader("Content-Type","text/html;charset=UTF-8");

在这里，Body的charset就UTF-8。

其次，如果没有设置Content-Type，我们还可以设置HttpClientParam的ContentCharset：

HttpClient httpClient = new HttpClient();
HttpClientParam params = httpClient.getParams();
params.setContentCharset("UTF-8");

然后，如果没有设置HttpMethodParams的ContentCharset，我们还可以设置HttpMethodParams的ContentCharset：

PostMethod method = new PostMethod();
HttpMethodParams params = method.getParams();
params.setContentCharset("UTF-8");

这三种设置方法的优先级依次递增，也就是说如果同时设置，则以后面的为准。如果都没有设置，默认charset是ISO-8859-1。

响应数据的charset

我们一般使用HttpMethodBase（GETMethod和PostMethod的父类）的getResponseBody系列方法获取响应数据。getResponseBody系列方法包括：

public byte[] getResponseBody() throws IOException{...}
public byte[] getResponseBody(int maxlen) throws IOException{...}
Public InputStream getResponseBodyAsStream() throws IOException {...}
public String getResponseBodyAsString() throws IOException {...}
public String getResponseBodyAsString(int maxlen) throws IOException {...}

我比较喜欢getResponseBodyAsString方法，因为返回值类型是String，直接可以使用。不过，提到String就必须想到charset 。响应数据的charset肯定由Web Server(Tomcat)设置的，HttpMethodBase是怎么知道的呢？

我们看看getResponseBodyAsString()方法的代码：

public String getResponseBodyAsString() throws IOException {
    byte[] rawdata = null;
    if (responseAvailable()) {
        rawdata = getResponseBody();
    }
    if (rawdata != null) {
        return EncodingUtil.getString(rawdata, getResponseCharSet());
    } else {
        return null;
    }
}

顾名思义，getResponseCharSet方法的功能就是获取响应数据的charset。那就看看她的代码吧：

public String getResponseCharSet() {
return getContentCharSet(getResponseHeader("Content-Type"));
}

可见，getResponseCharSet方法Content-Type Header获取响应数据的charset。这要求Servlet必须正确设置response的Content-Type Header 。

Tomcat如何设置charset？

即使HttpClient正确设置了charset，Tomcat还要知道charset是什么，才能正确decoding。我们先看看如何设置GET请求QueryString的charset，然后看看POST请求Body的charset，最后看看Servlet响应数据的charset。

设置GET请求QueryString的charset

Tomcat通过URI的charset来设置QueryString的charset。我们可以在Tomcat根目录下conf/server.xml 中进行配置。

<Connector 
URIEncoding="UTF-8" 
useBodyEncodingForURI="true"  
acceptCount="100" 
connectionTimeout="20000" 
disableUploadTimeout="true" 
enableLookups="false" 
maxHttpHeaderSize="8192" 
maxSpareThreads="75" 
maxThreads="150" 
minSpareThreads="25" 
port="8080" 
redirectPort="8443"/>

URIEncoding属性就是URI的charset，上述配置表示 Tomcat认为URI的charset就是UTF-8。如果HttpClient也使用UTF-8作为QueryString的charset，那么 Tomcat就可以正确decoding。详情可以参考org.apache.tomcat.util.http.Parameters类的handleQueryParameters的方法：

// -------------------- Processing --------------------
/** Process the query string into parameters
 */
public void handleQueryParameters() {
    // 省略部分代码
    processParameters( decodedQuery, queryStringEncoding );
}

Tomcat在启动的过程中，如果从conf/server.xml中读取到URIEncoding属性，就会设置queryStringEncoding的值。当Tomcat处理HTTP请求时，上述方法就会被调用。

默认的server.xml是没有配置URIEncoding属性的，需要我们手动设置 。如果没有设置，Tomcat就会采用一种称为“fast conversion”的方式解析QueryString。详情可以参考org.apache.tomcat.util.http.Parameter类的urlDecode方法。

useBodyEncodingForURI是与URI charset相关的另一个属性。如果该属性的值为true，则Tomcat将使用Body的charset作为URI的charset。下一节将介绍Tomcat如何设置Body的charset。如果Tomcat没有设置Body的charset，那么将使用HTTP请求Content-Type Header中的charset。如果HTTP请求中没有设置Content-Type Header，则使用ISO-8859-1作为默认charset。详情参见org.apache.catalina.connector.Request的parseParmeters方法：

/**
 * Parse request parameters.
 */
protected void parseParameters() {
    // 省略部分代码
    String enc = getCharacterEncoding();
    boolean useBodyEncodingForURI = connector.getUseBodyEncodingForURI();
    if (enc != null) {
        parameters.setEncoding(enc);
        if (useBodyEncodingForURI) {
            parameters.setQueryStringEncoding(enc);
        }
    } else {
        parameters.setEncoding (org.apache.coyote.Constants.DEFAULT_CHARACTER_ENCODING);
        if (useBodyEncodingForURI) {
            parameters.setQueryStringEncoding (org.apache.coyote.Constants.DEFAULT_CHARACTER_ENCODING);
        }
    }
    parameters.handleQueryParameters();
    // 省略部分代码
}

默认的server.xml是没有配置useBodyEncodingForURI属性的，需要我们手动设置 。如果没有设置，Tomcat则认为其值为false。需要注意的是，如果URIEncoding和useBodyEncodingForURI同时设置，而且Body的charset已经设置，那么将以Body的charset为准 。

设置POST请求Body的charset

设置Body charset的方法很简单，只要调用javax.servlet.ServletRequest接口的setCharacterEncoding方法即可，比如request.setCharacterEncoding("UTF-8")。需要注意的是，该方法必须在读取任何请求参数之前调用，才有效果。详情可以参见该方法的注释：

/**
 * Overrides the name of the character encoding used in the body of this
 * request. This method must be called prior to reading request parameters
 * or reading input using getReader().
 *
 *
 * @param env a <code>String</code> containing the name of
 * the character encoding.
 * @throws java.io.UnsupportedEncodingException if this is not a valid encoding
 */
public void setCharacterEncoding(String env) throws java.io.UnsupportedEncodingException;

也就是说，我们只有在调用getParameter或getReader方法之前，调用setsetCharacterEncoding方法，设置的charset才能奏效。

响应数据的charset

设置响应数据charset的方法很简单，只要调用javax.servlet.ServletResponse接口的setContentType方法即可，比如response.setContentType("text/html;charset=UTF-8")。需要注意的是，该方法的调用时机也是有讲究的，详情可以参见该方法的注释：

/**
 * Sets the content type of the response being sent to
 * the client, if the response has not been committed yet.
 * The given content type may include a character encoding
 * specification, for example, <code>text/html;charset=UTF-8</code>.
 * The response's character encoding is only set from the given
 * content type if this method is called before <code>getWriter</code>
 * is called.
 * <p>This method may be called repeatedly to change content type and
 * character encoding.
 * This method has no effect if called after the response
 * has been committed. It does not set the response's character
 * encoding if it is called after <code>getWriter</code>
 * has been called or after the response has been committed.
 * <p>Containers must communicate the content type and the character
 * encoding used for the servlet response's writer to the client if
 * the protocol provides a way for doing so. In the case of HTTP,
 * the <code>Content-Type</code> header is used.
 *
 * @param type  a <code>String</code> specifying the MIME
 * type of the content
 *
 * @see  #setLocale
 * @see  #setCharacterEncoding
 * @see  #getOutputStream
 * @see  #getWriter
 *
 */
public void setContentType(String type);

如果Servlet正确设置了响应数据的charset，那么HTTP响应数据中就会包含Content-Type Header。HttpClient的getResponseBodyAsString方法就可以正确decoding响应数据。

总结

在开发Java Web应用的过程中，遇到中文乱码问题，应该是一件正常的事情。我们不必首先怀疑HttpClient或Tomcat有莫名奇妙的bug，往往都是我们使用不当或配置不当。凡事总有原因，总要相信科学嘛！如果想彻底了解中文编码的前因后果，我觉得可以从HTTP规范、Servlet规范、HttpClient的API文档和Tomcat的配置文档入手，必要时可以追踪HttpClient和Tomcat的代码。

评论

2 楼 lizhiguoEye 2011-08-22  

这篇文章写的太好了

1 楼 lkmmmj 2010-12-09  

德平V5 学习一下