深入分析Java Web中的中文编码问题
编码的原因
需要编码的原因可以总结为以下几条：
- 在计算机中存储的最小单元是1个字节，即8个比特（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，无法使用1个字节来完全表示
所以char和byte之间必须编码
常见编码格式
目前的编码格式很多，如GB2312，GBK，UTF-8，UTF-16都可以表示汉字，那么使用哪种编码格式存储汉字呢？就需要考虑其他因素了，例如：是存储空间重要还是编码的效率重要
ASCII码
ASCII码共有128个，使用1个字节的低7位表示，0-31是控制字符如回车，换行，删除等，32-126是打印字符，可以通过键盘输入并显示出来
ISO-8859-1
ISO-8859-1在ASCII码基础上进行了拓展，可以覆盖大多数西欧字符。ISO-8859-1仍然是单字符编码，它总共有256个字符
ASCII码和ISO-8859-1都无法表示中文汉字。如果在ISO-8859-1中编码中文会出现"?"
GB2312
GB2312是双字节编码，包含628个字符和6763个汉字
GBK
GBK是为了拓展GB2312，加入了更多个汉字，可以表示21003个汉字。它的编码和GB2312兼容，也就是说GB2312编码的汉字可以用GBK来解码，不会出现乱码
GBK和GB2312都是双字节的编码，对于单字节的（如英文，空格，控制符等）使用1个字节编码，汉字使用2个字节
GBK和GB2312转码过程中都是需要查询码表，从效率上来说，因为GBK表示的字符更多，所以效率要略低于GB2312
GB18030
GB18030是国家标准，它的编码也与GB2312兼容，但是使用并不广泛
UTF-16
UTF就是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个字典互相翻译。
UTF-16固定采用两个字节表示Unicode的转化格式，采用定长的方法，无论深入字符都采用两个字符表示，两个字节即16个bit，所以叫UTF-16
定长的方式使得转码很快（因为格式固定，规则简单），但浪费了空间。Java内存中的编码使用的就是UTF-16
UTF-8
UTF-8采用一种变长技术，每个区域有不同的字码长度，不同的字符采用1~6个字节表示。英文采用1个字节，汉字采用3个字节
UTF-16采用顺序编码，不能对单个字符的编码值进行校验，如果中间一个字符值损坏，后面所有的码值都会受到影响，而UTF-8不存在这样的问题
UTF-8编码与GBK和GB2312不同，不用查码表，所以UTF-8编码效率要高于它们，所以在存储中文字符时采用UTF-8比较理想
在几种编码格式比较
GBK和GB2312规则类似，但是GBK范围更大，能够处理大多数的汉字字符，所以GBK和GB2312进行比较，应该选择GBK
UTF-16和UTF-8都是处理Unicode编码，但是它们编码规则不同，相对而言UTF-16编码效率要高，从字符到字节之间互相转换更简单，适合在磁盘和内存之间使用，可以进行字符和字节之间快速切换，如Java内存编码就是使用的UTF-16编码。但是它不适合在网络之间传输，因为网络传输容易损坏字节流，一旦字节流损坏很难恢复，所以UTF-8更适合网络传输
UTF-8对ASCII码采用单字节存储，另外单个字符出现损坏才会影响后面的其他字符。在编码效率上介于GBK和UTF-16字节，在编码效率上和编码安全上做了平衡，应优先使用
Java中采用编码的场景
在I/O操作存在的编码
涉及到编码的地方一般都在字符到字节或者字节到字符的场景上，这种转换场景主要是I/O，包括磁盘I/O和网络I/O
InputStreamReader类负责在I/O过程中字节到字节的转换
OutputStreamWriter类负责在I/O过程中字符到字节的转换
在使用这两个类时推荐使用两个参数的构造，并在第二个参数指定编码集
String charset = "UTF-8";
new InputStreamReader(inputStream, charset);
new OutputStramWriter(outputStream, charset);
只要使用统一编码Charset编码集，一般都不会出现乱码
强烈不建议使用操作系统默认的编码，即构建对象时候不指定编码集，因为这样让程序的编码环境和运行环境绑定，在跨环境时很可能出现乱码问题
在内存操作中的编码
除了I/O操作，还有就是在内存中进行字符到字节的数据类型转换。在Java中用String表示字符串，所以String类提供了转换的方法
String s = "中文字符串";
byte[] b = s.getBytes("UTF-8");
String str = new String(b, "UTF-8");
Java Web中涉及到的编码
Get请求：url中的中文会以"%"+编码的形式出现，是因为浏览器会将非ASCII码字符编码成16进制，并在16进制字节前加上"%"。解决方法：一是修改web容器（如Tomcat，Tomcat8及之后的版本默认用的UTF-8，低版本使用的是ISO-8859-1）默认的URIEncoding，再就是在后端代码中获取到参数之后手动解码（在Java端有处理URL编码两个类：java.net.URLEncoding 和 java.net.URLDecoding）；二者推荐使用后者，但是强力建议不要在Get请求中传输中文
POST请求：请求体中的中文参数可以通过request.setCharacterEncoding方法设置后，获得的参数就是中文了。一般来说框架中都会通过一个Filter的方式设置，开发时无需关心POST中的中文，但是对于GET中的中文则不适用，所以再次强力建议不要在Get请求中传输中文参数
HTML页面通过meta设置编码，HTML5则默认使用UTF-8
数据库通过客户端的JDBC驱动完成连接，JDBC驱动通过JDBC URL设置编码，如MySQL：url=jdbc:mysql:jdbc:///DB?userUnicode=true&characterEncoding=UTF-8
引入外部JS文件时，指定该文件的编码：<scripte src="" charset="utf-8">
XML，JSP，Velocity指定编码格式
<?xml version="1.0" encoding="UTF-8"?>
<%@page contentType="text/html;charset=UTF-8"%>
services.VelocityService.input.encoding=UTF-8
