强烈推荐一篇文章：理解字符编码
在写程序的过程中，字符集的问题遇到过N多。查查改改，解决问题，一直没有总结。这段时间做J2EE的项目，遇到了更多的字符集问题，在解决的过程中收获不少。写篇文章浅谈下字符集问题。
个人将字符集粗分为两大类：ASCII和UNICODE。简单介绍下它们：
众所周知，计算机是美国人发明的。因此，为了方便使用计算机，那么计算机起码要能表达他们（美国人）的语言。这也就是ASCII（美国信息交换标准代码）的由来了。计算机的最小信息单位是位（bit），但更常用的基本信息单位是字节（Byte），它们之间的转换是1Byte = 8bits（为什么是8而不是2、4、16等，我就不得而知了）。ASCII又分基础的（7位，最高位用作奇偶校验）和扩展的（8位），最多能表示256个字符。这对于表示全世界的语言字符是不可能的，因此有了UNICODE。
UNICODE简单的来说就是，用两个字节（16位）来表示一个字符。但是基于不同的考虑（如存储空间）又有UTF-8、UTF-16、UTF-32等不同的格式，这里就不详细介绍了。
正是ASCII和UNICODE给我们带来了字符集问题。一个比较好的程序，应该要能支持UNICODE。对于我们（中国人），更是如此，因为我们使用的是汉字而不是英文。接下来，我要以一个不完全的Java Web Server例子来说说个人的理解。
OS（Windows、Unix、Linux等）、Java、MySQL在全世界流行，因此很容易预见到它们都是支持ASCII和UNICODE的。先说说OS，个人用的是Windows XP（中文版）（Windows对于本地化的支持有个“代码页”的概念，在此不详细介绍），很容易知道OS的字符集是UNICODE的GBK。对于运行在该OS上的Java平台，也是如此。而MySQL对字符集的支持主要表现在它的存储。
在例子中，MySQL采用latin1（称之为ASCII或者ISO-8859-1都行），而JSP采用GB2312。
问题一：JSP page指令中的pageEncoding属性指定的字符集是指该JSP页面被打开时，OS用哪种字符集格式读取。这就相当于你在记事本里写篇文字（即有英文又有中文），保存的格式。如果为ASCII，则中文会丢失原有的信息，为UNICODE则能正常显示。因此，其实只要你在该JSP里面的注释仅有英文，是可以设置该属性为ISO-8859-1的。
问题二：JSP page指令中的contentType=”text/html;charset=gb2312″和HTML中的<meta http-equiv=”Content-Type” content=”text/html; charset=gb2312″ />意思一样，都是指该页面由浏览器解析时采用的字符集。
问题三：Java中所有字符都是两个字节，无论是ASCII还是UNICODE，但是建议你不要简单地认为它就是UNICODE。而网络上传输的字符是ISO-8859-1（1Byte）的（因为网络传输是基于字节流的）。所以前一个JSP页面的中文参数采用POST方法传到后一个页面接收后，它是乱码。详细：一个汉字两个字节都有数据**（GB2312），网络传输成* *（ISO-8859-1），后一个页面接收后成#* #*（GB2312）两个汉字四个字节。（*表示数据，#表示未知，空格表示字符间隔）当然乱码了。重新组合下new String(data.getBytes(“ISO-8859-1”))就好了（默认采用页面charset编码组合即GB2312）。采用GET方法则要在前一个页面先将中文编码后再在URL中传递参数：String msg = java.net.URLEncoder.encode(“中文”, “UTF-8”)；在后一个页面取得msg后，对应的使用new String(msg.getBytes(“ISO-8859-1”), “UTF-8”)或者java.net.UREDecoder.decode(msg, “UTF-8”);。
Read the rest of this entry »
