中文编码问题分析及几种乱码场景
1、为什么要编码
编码的原因可以总结为:
◎ 计算机中存储信息的最小单元是一个字节(byte),即8个bit,所以能表示的字符范围是0~255个。
◎ 人类要表示的符号太多,无法用一个字节来完全表示。
要解决这个矛盾必须要有一个新的数据结构char,从char到byte必须编码。
2、几种编码格式
1.ASCII码
学过计算机的人都知道ASCII码,总共有128个,用一个字节的低7位表示,0~31是控制字符如换行、回车、删除等,32~126是打印字符,可以通过键盘输入并且能够显示出来。
2.ISO-8859-1
128个字符显然是不够用的,于是ISO组织在ASCII码基础上又制定了一系列标准用来扩展ASCII编码,它们是ISO-8859-1~ISO-8859-15,其中ISO-8859-1涵盖了大多数西欧语言字符,所以应用得最广泛。ISO-8859-1仍然是单字节编码,它总共能表示256个字符。
3.GB2312
它的全称是《信息交换用汉字编码字符集基本集》,它是双字节编码,总的编码范围是A1~F7,其中从A1~A9是符号区,总共包含682个符号,从B0~F7是汉字区,包含6763个汉字。
4.GBK
全称叫《汉字内码扩展规范》,是国家技术监督局为Windows 95所制定的新的汉字内码规范,它的出现是为了扩展GB2312,加入更多的汉字,它的编码范围是8140~FEFE(去掉XX7F),总共有23940个码位,它能表示21003个汉字,它的编码是和GB2312兼容的,也就是说用GB2312编码的汉字可以用GBK来解码,并且不会有乱码。
5.GB18030
全称是《信息交换用汉字编码字符集》,是我国的强制标准,它可能是单字节、双字节或者四字节编码,它的编码与GB2312编码兼容,虽然是国家标准,但是实际应用系统中使用得并不广泛。
6.UTF-16
说到UTF必须提到Unicode(Universal Code统一码),ISO试图创建一个全新的超语言字典,世界上所有的语言都可以通过这本字典来相互翻译。可想而知这个字典是多么复杂,关于Unicode的详细规范可以参考相应文档。Unicode是Java和XML的基础,下面详细介绍Unicode在计算机中的存储形式。
UTF-16具体定义了Unicode字符在计算机中的存取方法。UTF-16用两个字节来表示Unicode转化格式,它是定长的表示方法,不论什么字符都可以用两个字节表示,两个字节是16个bit,所以叫UTF-16。UTF-16表示字符非常方便,每两个字节表示一个字符,这就大大简化了字符串操作,这也是Java以UTF-16作为内存的字符存储格式的一个很重要的原因。
7.UTF-8
UTF-16统一采用两个字节表示一个字符,虽然在表示上非常简单方便,但是也有其缺点,有很大一部分字符用一个字节就可以表示的现在要用两个字节表示,存储空间放大了一倍,在现在的网络带宽还非常有限的情况下,这样会增大网络传输的流量,而且也没有必要。而UTF-8采用了一种变长技术,每个编码区域有不同的字码长度。不同类型的字符可以由1~6个字节组成。
UTF-8有以下编码规则:
◎ 如果一个字节,最高位(第8位)为0,表示这是一个ASCII字符(00~7F)。可见,所有ASCII编码已经是UTF-8了。
◎ 如果一个字节,以11开头,连续的1的个数暗示这个字符的字节数,例如:110xxxxx代表它是双字节UTF-8字符的首字节。
◎ 如果一个字节,以10开始,表示它不是首字节,需要向前查找才能得到当前字符的首字节。
3、两种编码场景
1.磁盘I/O
- Reader 读字符
- InputStream 读字节
- 字节->字符:StreamDecoder解码
- Writer 写字符
- OutputStream 写字节的父类
- 字符->字节:StreamEncoder编码
2.内存中编码
- byte[] b = str.getBytes(“UTF-8”)
- String s = new String(b, “UTF-8”)
4、Web请求中涉及的编解码:
1.URL的编解码(服务器端设置URIEncoding)
URL中有中文:
PathInfo -> UTF-8编码
QueryString –> GBK编码
为什么会有”%”:RFC3968知,浏览器编码URL将非ASCII字符编码成16进制数字后,每个16进制表示的字节前要加上”%”
2.HTTP Header的编解码
不要在Header中传递非ASCII字符(默认ISO-8859-1解码)
3.POST表单编解码
设置request.setCharacterEncoding(charset)
4.HTTP Body编解码
设置Content-Type为”UTF-8”
5.其他涉及编码
JS文件引入(URL编码escape()/encodeURI)
Xml文件设置头部
Velocity/Jsp设置编码
6、几种乱码问题分析
1.中文变成了看不懂的字码
char[] ---GBK编码--> byte[] ---ISO-8859-1解码---> i^o&i^i
2.一个汉字->一个问号
char[] ---GBK编码--> byte[] ---ISO-8859-1解码--->char[] (?)
3.一个汉字->两个问号
char[] ---ISO-8859-1编码--> byte[] ---ISO-8859-1解码--->char[] ---GBK编码--> byte[] ---GBK解码--->char[] (??)
4.不正常的正确编码
char[] ---GBK编码--> byte[] ---ISO-8859-1解码--->char[] ---ISO-8859-1编码--> byte[] ---GBK解码--->char[]
5.解决:
(1)、明确转码位置(数据->磁盘/传输)
(2)、框架、系统、软件、操作系统设置正确编码(明确默认编码)
参考:
《深入分析Java Web技术内幕》
中文编码问题分析及几种乱码场景相关推荐
- Synchronized 的 8 种使用场景!
blog.csdn.net/x541211190/article/details/106272922 简介 本文将介绍8种同步方法的访问场景,我们来看看这8种情况下,多线程访问同步方法是否还是线程安全 ...
- 应用Quick BI实现首购用户和用户首购的三种运营场景监控
导读: 首购用户和用户首购是互联网公司运营中最简单.最常遇到.也最容易混淆的两个概念.运营人员与BI经常在首购用户和用户首购上沟通不畅,信息不对称造成理解偏差,导致数据仓库模型或者BI仪表板一改再改. ...
- 用户留存分析的几种方法
来源:数据分析不是个事儿 之前跟大家讲过同期群分析: 同期群本质上是留存分析的一种实现方式,对于用户分析有很大的价值,今天再给大家分享几个相关的分析视角. 进入互联网下半场后,互联网流量竞争愈发激烈, ...
- 聊聊并发编程的12种业务场景
前言 并发编程是一项非常重要的技术,无论在面试,还是工作中出现的频率非常高. 并发编程说白了就是多线程编程,但多线程一定比单线程效率更高? 答:不一定,要看具体业务场景. 毕竟如果使用了多线程,那么线 ...
- 8种应用场景!嵌入式BI如何快速提升SaaS数据分析功能
新一代信息技术的突飞猛进,给我们的工作方式带来了前所未有改变.与时俱进,拥抱数字化,远程办公正被越来越多的企业所热捧,成为当下最受欢迎的一种工作模式.而远程办公仅仅是SaaS应用的冰山一角而已.Saa ...
- 情感分析 | 细粒度情感分析在美团到餐场景中的应用
每天给你送来NLP技术干货! 来自:美团技术团队 经典的细粒度情感分析(ABSA,Aspect-based Sentiment Analysis)主要包含三个子任务,分别为属性抽取.观点抽取以及属性- ...
- 一种公路场景下基于视觉的车辆检测和计数系统
1 文章信息 本次介绍的是题目为<Vision-based vehicle detection and counting system using deep learning in highwa ...
- R语言Welch方差分析(Welch’s ANOVA)实战:Welch方差分析是典型的单因素方差分析的一种替代方法,当方差相等的假设被违反时我们无法使用单因素方差分析,这时候Welch’s出来救场了
R语言Welch方差分析(Welch's ANOVA)实战:Welch方差分析是典型的单因素方差分析的一种替代方法,当方差相等的假设被违反时我们无法使用单因素方差分析,这时候Welch's出来救场了 ...
- java get请求传参_Java-ThreadLocal三种使用场景
ThreadLocal对于每一位Java读者而言我想可能都不陌生,因为面试基本都会被问到. Java-ThreadLocal三种使用场景 关于ThreadLocal JDK1.2的版本中就提供java ...
最新文章
- 总结android项目的基本开发步骤(转帖)
- nyoj 284 坦克大战 (优先队列)
- Python实现微信消息防撤回
- ASP.NET Razor (标记)语言概要
- 饮冰三年-人工智能-Python-29瀑布流
- 五分钟了解先验概率和后验概率
- 交大c语言作业答案,西安交大c语言作业及答案详解.docx
- 分类与数值预测是预测问题的两种主要类型
- F. Cowmpany Cowmpensation(树形dp + 拉格朗日插值)
- qr码是二维码码_如何使用QR码进行有效的营销和推广
- linux 中的时间戳功能,Linux中时间戳取证研究
- C#使用Windows Service
- 【全文干货】python—函数详解(值得收藏的学习手册)
- 无线条码仓库管理系统
- PN结的形成及其单向导电性
- 计算机没有鼠标用英语怎么说,鼠标用英语怎么说
- 运动世界校园显示服务器异常,运动世界校园跑完是异常成绩,计入有效成绩里吗?...
- 微软服务器工程师认证,微软认证的系统工程师(MCSE)
- yeahnet邮箱服务器,网易126/163/Yeah.net免费邮箱开放IMAP服务
- 用闭包写法优化laravel多条件查询