Java中文字符处理的四大迷题
虽然计算机对英文字符的支持非常不错，我们也恨不得写的程序只会处理英文的数据，但是昨为中国人，无可避免地要处理一些中文字符。当很简单的一件事情，遇到了中文，一切就不同了！本文就会讲述实际生产环境中遇到的四个中文迷题，欢迎大家参与补充！
1、“我”讲的其它机器听不懂？
当把一串中文字符，通过HTTP、TCP方式传递到另外一个系统时，会经常惊奇地发现，在发送前还是好好的，但是收到后却全坏了！怎么办？下面提供几种情况，对症下药：
（1）发送时使用的GET请求
要特别注意传递参数时，不要直接使用中文（如?key=热情），这基本就宣告了这个代码在某个浏览器、某个机器上，对方收到的东西就是乱码了。必须要对传递的参数进行Url Encode，接受方再进行Url Decode，取出来的数据基本就是OK的了。注：某些Java框架（如Spring）的RestTemplate会自动对GET方式的调用参与进行Encode、Decode，你就可以不用再人工去做了。
（2）使用了byte传递数据
在使用MQ、原生Socket等场景下，有时要用byte传递数据。这时一定要对String的getBytes方法传递编码参数，一般用"UTF-8"，且接收方则用new String(bytes, "UTF-8")来构造字符串，不然也有乱码风险！建议对需要用byte传递数据的场景，尽量转为Base64编码的方式进行传递，更方便去调试程序。
（3）设置运行环境编码
如果你的系统默认编码未设置对，那么默认的Java代码运行环境也不对，所以一要在程序运行时对Java代码运行环境进行设置。以Linux Shell为例，在启动应用的shell里，增加
export LANG=en_US.UTF-8
这可以保证应用在调用系统命令行时，运行环境是以UTF-8编码的。另外如果是Tomcat，那么的脚本处也加上参数项：
-Dsun.jnu.encoding=UTF-8 -Dfile.encoding=UTF-8 -Duser.language=en -Duser.country=US
再修改tomcat默认编码（ISO-8859-1）方法，修改tomcat根目录的conf下的server.xml,Connector元素添加URIEncoding="UTF-8"属性：
<Connector port="8080" protocol="HTTP/1.1" connectionTimeout="20000" redirectPort="8443" URIEncoding="UTF-8" />
这可以保证应用的Java代码的默认运行是在UTF-8编码基础上的，如果需要通信的系统全设置为UTF-8，可以避免诸多编码转换！
2、浏览器不认识“我”？
一般来说，浏览与应用的交互就是GET、POST请求了，当然还有PUT、DELETE请求，不过触类旁通，不需要讲太多。
POST请求的中文数据，经常是可以正常在前后台传递的，但是GET请求就没那么幸运了，一定要记得进行URL Encode与Decode，养成好的编码习惯，减少后续调试代码的难度与时间。
3、猜一猜“我”说的是什么？
在读写含中文文本的文件时，有时候也会读出乱码来，原因是因为程序的运行编码永远只有默认的一种的，那么如果不带编码参数地去读取文件，由于文件编码可能与程序编码不同，最后读出来的就是乱码了。这个时候，就需要写程序去“猜”文件的编码了。
现在有许多开源的识别编码的类库可以直接使用，但是也并不全是ok的，常见的编码能识别就好，像这些：UTF-8、GB2312、GBK、GB18030、UTF-16、US-ASCII、Big5、ISO-8859-1，遇到的概率非常大。我这里推荐几个：EncodingDetecotr、jChardet。
在读取到byte后，通过编码识别再存为相应的String，就可以得到正常的中文了。
4、听说UTF-8还有BOM？
BOM，在UCS编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的编码是FEFF，这就是所谓的BOM头了，它的UTF-8编码是EF BB BF。在Windows系统上，默认用记事本存储为UTF-8格式，是有BOM的，但是Linux下却是默认无BOM的。缺了BOM的文件，经常在Windows下就识别出现错位、乱码等问题。解决之道就是在读取文件、byte的前几个字节，如果无BOM就给它加上BOM。
1 /** 2 * 判断文件是否有BOM 3 * 4 * @return 5 */ 6 public static boolean hasBom(File file) { 7 FileInputStream input = null; 8 try { 9 input = new FileInputStream(file); 10 byte[] buf = new byte[1024]; 11 if ((input.read(buf, 0, 1024)) != -1) { 12 if (buf[0] == (byte) 0xEF && buf[1] == (byte) 0xBB && buf[2] == (byte) 0xBF) { 13 return true; 14 } 15 } 16 return false; 17 } catch (IOException e) { 18 _logger.error(e); 19 return true; 20 } finally { 21 if (input != null) { 22 try { 23 input.close(); 24 } catch (IOException e) { 25 _logger.error("资源释放失败！", e); 26 } 27 } 28 } 29 }
如果无BOM，则在传给Windows的地方或需要导出的地方这前先加上：new byte[] {(byte) 0xEF, (byte) 0xBB, (byte) 0xBF} 这些字节。
以上这些点如果注意了，常见的中文编码问题就解决了，如果还有新的坑，博主会在此更新哈。
转载请注明原址：http://www.cnblogs.com/lekko/p/4943581.html
