编码和字符集: 乱码的根源和常见的处理方式

总的来说，编码和字符集，就像方言和字典。

常用的unicode字符集，就是一个大字典。

字符串作为一个string的时候，一般都是用内码表示，没有乱码问题。

当String向外传输的时候，需要转换成byte[]，使用不同的编码方式，结果的byte数组是不同的。拿到byte[]的人，需要还原为string，如果不知道其编码，就可能出现乱码问题。所以，byte[]转String时，是乱码出现的关键，此时必须知道byte的编码。

有两个常用的处理方式：数据头部里指定编码、转换成编码无关的格式（一般使用不会乱码的ASCII字符集的一个子集）。

对于前一种方式: http中，我们通过request/response头部，明确的制定body中二进制内容的编码。utf-8的文本文件中的bom头。xml文件更严格，要求xml头和文件本身编码一致。

对于后一种方式：比如URLencode，按unicode字符集内码的编号（整数），再转成16进制，再每两位加%，htmlencode除了escape的字符外，也是%u内码。base64取了64个可显示的ASCII字符做底。

评论

2 楼 dietime1943 2012-03-09  

zhangyou1010 写道

tomcat下，一般怎么处理编码问题呢?

你说的就好比 object应该去实例什么一样

1 楼 zhangyou1010 2011-06-24  

tomcat下，一般怎么处理编码问题呢?