世界上的各地區(qū)都有本地的語言。地區(qū)差異直接導(dǎo)致了語言環(huán)境的差異。在開發(fā)一個國際化程序的過程中，處理語言問題就顯得很重要了。

　　這是一個世界范圍內(nèi)都存在的問題，所以，Java提供了世界性的解決方法。本文描述的方法是用于處理中文的，但是，推而廣之，對于處理世界上其它國家和地區(qū)的語言同樣適用。

　　漢字是雙字節(jié)的。所謂雙字節(jié)是指一個雙字要占用兩個BYTE的位置（即16位），分別稱為高位和低位。中國規(guī)定的漢字編碼為GB2312，這是強(qiáng)制性的，目前幾乎所有的能處理中文的應(yīng)用程序都支持GB2312。GB2312包括了一二級漢字和9區(qū)符號，高位從0xa1到0xfe，低位也是從0xa1到0xfe，其中，漢字的編碼范圍為0xb0a1到0xf7fe。

　　另外有一種編碼，叫做GBK，但這是一份規(guī)范，不是強(qiáng)制的。GBK提供了20902個漢字，它兼容GB2312，編碼范圍為0x8140到0xfefe。GBK中的所有字符都可以一一映射到Unicode 2.0。

　　在不久的將來，中國會頒布另一種標(biāo)準(zhǔn)：GB18030-2000（GBK2K）。它收錄了藏、蒙等少數(shù)民族的字型，從根本上解決了字位不足的問題。注意：它不再是定長的。其二字節(jié)部份與GBK兼容，四字節(jié)部分是擴(kuò)充的字符、字形。它的首字節(jié)和第三字節(jié)從0x81到0xfe，二字節(jié)和第四字節(jié)從0x30到0x39。

　　本文不打算介紹Unicode，有興趣的可以瀏覽“http://www.unicode.org/”查看更多的信息。Unicode有一個特性：它包括了世界上所有的字符字形。所以，各個地區(qū)的語言都可以建立與Unicode的映射關(guān)系，而Java正是利用了這一點(diǎn)以達(dá)到異種語言之間的轉(zhuǎn)換。

　　在JDK中，與中文相關(guān)的編碼有：

　　表1　JDK中與中文相關(guān)的編碼列表

　　在實(shí)際編程時，接觸得比較多的是GB2312（GBK）和ISO8859-1。

　　為什么會有“?”號

　　上文說過，異種語言之間的轉(zhuǎn)換是通過Unicode來完成的。假設(shè)有兩種不同的語言A和B，轉(zhuǎn)換的步驟為：先把A轉(zhuǎn)化為Unicode，再把Unicode轉(zhuǎn)化為B。

　　舉例說明。有GB2312中有一個漢字“李”，其編碼為“C0EE”，欲轉(zhuǎn)化為ISO8859-1編碼。步驟為：先把“李”字轉(zhuǎn)化為Unicode，得到“674E”，再把“674E”轉(zhuǎn)化為ISO8859-1字符。當(dāng)然，這個映射不會成功，因?yàn)镮SO8859-1中根本就沒有與“674E”對應(yīng)的字符。

　　當(dāng)映射不成功時，問題就發(fā)生了！當(dāng)從某語言向Unicode轉(zhuǎn)化時，如果在某語言中沒有該字符，得到的將是Unicode的代碼“/uffffd”（“/u”表示是Unicode編碼，）。而從Unicode向某語言轉(zhuǎn)化時，如果某語言沒有對應(yīng)的字符，則得到的是“0x3f”（“?”）。這就是“?”的由來。

　　例如：把字符流buf =“0x80 0x40 0xb0 0xa1”進(jìn)行new String(buf, "gb2312")操作，得到的結(jié)果是“/ufffd/u554a”，再println出來，得到的結(jié)果將是“?啊”，因?yàn)椤?x80 0x40”是GBK中的字符，在GB2312中沒有。

　　再如，把字符串String="/u00d6/u00ec/u00e9/u0046/u00bb/u00f9"進(jìn)行new String (buf.getBytes("GBK"))操作，得到的結(jié)果是“3fa8aca8a6463fa8b4”，其中，“/u00d6”在“GBK”中沒有對應(yīng)的字符，得到“3f”，“/u00ec”對應(yīng)著“a8ac”，“/u00e9”對應(yīng)著“a8a6”，“0046”對應(yīng)著“46”（因?yàn)檫@是ASCII字符），“/u00bb”沒找到，得到“3f”，最后，“/u00f9”對應(yīng)著“a8b4”。把這個字符串println一下，得到的結(jié)果是“?ìéF?ù”。看到?jīng)]？這里并不全是問號，因?yàn)镚BK與Unicode映射的內(nèi)容中除了漢字外還有字符，本例就是最好的明證。

　　所以，在漢字轉(zhuǎn)碼時，如果發(fā)生錯亂，得到的不一定都是問號噢！不過，錯了終究是錯了，50步和100步并沒有質(zhì)的差別。

　　或者會問：如果源字符集中有，而Unicode中沒有，結(jié)果會如何？回答是不知道。因?yàn)槲沂诸^沒有能做這個測試的源字符集。但有一點(diǎn)是肯定的，那就是源字符集不夠規(guī)范。在Java中，如果發(fā)生這種情況，是會拋出異常的。

　　什么是UTF

　　UTF，是Unicode Text Format的縮寫，意為Unicode文本格式。對于UTF，是這樣定義的：

　　（1）如果Unicode的16位字符的頭9位是0，則用一個字節(jié)表示，這個字節(jié)的首位是“0”，剩下的7位與原字符中的后7位相同，如“/u0034”（0000 0000 0011 0100），用“34” (0011 0100)表示；（與源Unicode字符是相同的）；

　　（2）如果Unicode的16位字符的頭5位是0，則用2個字節(jié)表示，首字節(jié)是“110”開頭，后面的5位與源字符中除去頭5個零后的最高5位相同；第二個字節(jié)以“10”開頭，后面的6位與源字符中的低6位相同。如“/u025d”（0000 0010 0101 1101），轉(zhuǎn)化后為“c99d”（1100 1001 1001 1101）；

　　（3）如果不符合上述兩個規(guī)則，則用三個字節(jié)表示。第一個字節(jié)以“1110”開頭，后四位為源字符的高四位；第二個字節(jié)以“10”開頭，后六位為源字符中間的六位；第三個字節(jié)以“10”開頭，后六位為源字符的低六位；如“/u9da7”（1001 1101 1010 0111），轉(zhuǎn)化為“e9b6a7”（1110 1001 1011 0110 1010 0111）；

　　可以這么描述Java程序中Unicode與UTF的關(guān)系，雖然不絕對：字符串在內(nèi)存中運(yùn)行時，表現(xiàn)為Unicode代碼，而當(dāng)要保存到文件或其它介質(zhì)中去時，用的是UTF。這個轉(zhuǎn)化過程是由writeUTF和readUTF來完成的。

　　好了，基礎(chǔ)性的論述差不多了，下面進(jìn)入正題。

　　先把這個問題想成是一個黑匣子。先看黑匣子的一級表示：

input(charsetA)->process(Unicode)->output(charsetB)

　　簡單，這就是一個IPO模型，即輸入、處理和輸出。同樣的內(nèi)容要經(jīng)過“從charsetA到unicode再到charsetB”的轉(zhuǎn)化。

　　再看二級表示：

SourceFile(jsp,Java)->class->output

　　在這個圖中，可以看出，輸入的是jsp和Java源文件，在處理過程中，以Class文件為載體，然后輸出。再細(xì)化到三級表示：

jsp->temp file->class->browser,os console,db

app,servlet->class->browser,os console,db

　　這個圖就更明白了。Jsp文件先生成中間的Java文件，再生成Class。而Servlet和普通App則直接編譯生成Class。然后，從Class再輸出到瀏覽器、控制臺或數(shù)據(jù)庫等。

　　JSP：從源文件到Class的過程

　　Jsp的源文件是以“.jsp”結(jié)尾的文本文件。在本節(jié)中，將闡述JSP文件的解釋和編譯過程，并跟蹤其中的中文變化。

　　1、JSP/Servlet引擎提供的JSP轉(zhuǎn)換工具（jspc）搜索JSP文件中用<%@ page contentType ="text/html; charset=<Jsp-charset>"%>中指定的charset。如果在JSP文件中未指定<Jsp-charset>，則取JVM中的默認(rèn)設(shè)置file.encoding，一般情況下，這個值是ISO8859-1；

　　2、jspc用相當(dāng)于“Javac