http与中文编码传输

 

 

分类: http网络及RFC

关于http的RFC文档:http://www.w3.org/Protocols/rfc2616/rfc2616.html

关于http与中文传输的问题,如果不解决,在实际的网络抓取的过程中会产生很多的次生的问题。理解中文传输的编码过程因而尤为重要。

 

中文的传输过程具体可能是:内存中unicode -> 编码阶段gbk, gb18030, utf8 -> 到urlencode ->最后到可能的base64编码。那到底是什么机制在负责这个转换的过程呢?转换使用的是什么通道呢?

UrlEncode:将字符串以URL编码 。  返回值:字符串。 函数种类:编码处理。比如在谷歌搜索“中国人”的时候,得到的URL如下所示:http://www.google.com.hk/search?q=%D6%D0%B9%FA%C8%CB&client=aff-360daohang&hl=zh-CN&ie=gb2312&newwindow=1,其中%D6%D0%B9%FA%C8%CB部分就是urlencode。那么这个编码的处理方式是怎么样的呢?有没有什么处理工具?

 

 


个人尝试的方法就是:

无论如何都把urlencode转化成Utf-8的格式进行数据传输。例如下例:id=java.net.URLEncoder.encode(id, "utf-8");

然后再接受就可以了。urlencoder时必须合并使用的方法。

id=java.net.URLEncoder.encode(id, "utf-8");
response.sendRedirect("personalPage.jsp?user="+id);

 

尝试成功之后,还有一种情况没有考虑到,那就是gb2312编码格式下中文字符的直接传输。能否不经过utf-8的编码来搞定参数的传递?

 

 

附一些自己找到的资料:

 

UrlEncode编码

 

主要用于将字符串以URL编码,返回一个字符串。
使用方法:
1、ASP中的用法:Server.URLEncode(“内容”) 例如:

   <% response.write Server.UrlEncode("工具网") %>

2、PHP中的用法:urlencode(“内容”) 例如:

   <?  echo urlencode("工具网")?>

3、JSP中的用法:URLEncoder.encode(“内容”) 例如:

   <% java.net.URLEncoder.encode("工具网");  %>
   个人亲自尝试的中文传输方法,即只需编码,另一端无需解码:
<%
    id=java.net.URLEncoder.encode(id, "UTF-8");
   response.sendRedirect("/index.jsp?error="+id); 
%>

4、javascript中的用法:encodeURI(“内容”) 例如:

   encodeURI("工具网");

5、Python中的用法:

   import urllib2
   urllib2.quote("工具网")
UrlDecode解码

主要对字符串进行URL解码,返回已解码的字符串
1、ASP中的用法:Server.UrlDecode(“内容”) 例如:

   <% response.write Server.UrlDecode("%E5%B7%A5%E5%85%B7%E7%BD%91") %>

2、PHP中的用法:urldecode(“内容”) 例如:

   <? echo urldecode("%E5%B7%A5%E5%85%B7%E7%BD%91")?>

3、JSP中的用法:URLDecoder.decode(“内容”) 例如:

   <% java.net.URLDecoder.decode("%E5%B7%A5%E5%85%B7%E7%BD%91"); %>

4、javascript中的用法 例如:

   decodeURI("%E5%B7%A5%E5%85%B7%E7%BD%91");

5、Python中的用法 例如:

   import urllib2
   urllib2.unquote("%E5%B7%A5%E5%85%B7%E7%BD%91")
Gb2312及Gb2312转Utf-8编码的UrlEncode编码解码

Unicode 与 Utf-8码间的内码规则模板为:

    原始码(16进制) UTF-8编码(二进制)
    --------------------------------------------
    0000 - 007F       0xxxxxxx 
    0080 - 07FF       110xxxxx 10xxxxxx 
    0800 - FFFF       1110xxxx 10xxxxxx 10xxxxxx   (中文字在此区间)
    ……
    --------------------------------------------

例如:
百度中查询“中国人”,会将中文URL参数转为Gb2312码的16进制表示,一个中文字用2个字节
http://www.baidu.com/s?wd=%D6%D0%B9%FA%C8%CB
Google中查询“中国人”,会将中文URL参数转为Utf-8编码的16进制表示,一个中文字用3个字节
http://www.google.cn/search?client=opera&rls=en&q=%E4%B8%AD%E5%9B%BD%E4%BA%BA&sourceid=opera&ie=utf-8&oe=utf-8

Objective-C 对 URL 进行 URLEncode 编码

在为Apple的IPhone、ipad等设备开发iOS app应用程序访问 HTTP 资源时需要对 URL 进行 Encode,比如像拼出来的 http://www.baidu.com/s?wd=中国人,其中的中国人、 特殊符号&%和空格都必须进行转译才能正确访问。
在 Java、.net 和 JS 中都有相应的 encodeURL 方法可用,在 Objective-C 语言中,你可以试下

   - (NSString *)stringByAddingPercentEscapesUsingEncoding:(NSStringEncoding)enc;  

来对完整的 URL(带请求参数的)进行编码,比如执行下面的代码:

   NSString *url=@"http://www.baidu.com/s?wd=中国人";
   NSString *encodedValue = [url stringByAddingPercentEscapesUsingEncoding:NSUTF8StringEncoding];

上面代码转换出的 encodedValue 是:

    http://www.baidu.com/s?wd=%D6%D0%B9%FA%C8%CB

可见,它不会转换 URL 中的 ?%& 符号,这也正常,因为它肯定分不出哪个 & 是参数的连接符号还是参数值,你可以单独编码参数,然后在拼接成 URL 之前把属性参数值中的 ?%& 等符号分别替换成相应的编码。

base64的编码方式:

Base64 c#加密函数 

C#代码  技术分享
  1. public static string Encrypt(string pToEncrypt)  
  2.       {  
  3.                       byte[] barray=System.Text.UnicodeEncoding.Unicode.GetBytes(pToEncrypt);  
  4.   
  5.           return Convert.ToBase64String(barray);  
  6.       }  

Base64 c#解密函数 

C#代码  技术分享
  1. public string Decrypt(string pToDecrypt)  
  2.       {  
  3.   
  4.           byte[] mingwen = Convert.FromBase64String(pToDecrypt);  
  5.   
  6.           string str = System.Text.UnicodeEncoding.Unicode.GetString(mingwen);  
  7.   
  8.           return str;  
  9.   
  10.       }    


加密后的字符串如果存在"/" "+" "=", 在WEB的传输过程中(含有request之类动作)会发生改变,分别对应为 
“/” 在客户端变为 "2F" 
"+"  ..........." " 
"="  ..........."%3D" 
所以在客户端对字符串解密前应该恢复为正确的base64码,下面是asp中的编码 
  
Java代码  技术分享
  1. str=Replace(str," ","+")  
  2. str=Replace(str,"%2F","/")  
  3. str=Replace(str,"%3D","=")  

 

以下来源:

 

http://blog.sina.com.cn/s/blog_70ca15d20100r1qy.html

 

 

今天着实出了一个生产问题,抽奖项目的一个查询交易报JS错误,打不开链接。

 页面中用了:  windows.opern()方法打开一个页面,url中的参数(抽奖活动信息)包含引号,url提前结束。

由于没有用URLEncoder,吃了亏……,下面做个小结,避免以后范同样的错误,也请各位读者引以为戒:

技术分享
技术分享

网页中的表单使用POST方法提交时,数据内容的类型是 application/x-www-form-urlencoded,这种类型会:

1.字符"a"-"z","A"-"Z","0"-"9",".","-","*",和"_" 都不会被编码;

2.将空格转换为加号 (+) ;

3.将非文本内容转换成"%xy"的形式,xy是两位16进制的数值;

4.在每个 name=value 对之间放置 & 符号。

 

web设计者面临的众多难题之一便是怎样处理不同操作系统间的差异性。这些差异性能引起URL方面的问题:例如,一些操作系统允许文件名中含有空格符,有些又不允许。大多数操作系统不会认为文件名中含有符号“#”会有什么特殊含义;但是在一个URL中,符号“#”表示该文件名已经结束,后面会紧跟一个fragment(部分)标识符。其他的特殊字符,非字母数字字符集,它们在URL或另一个操作系统上都有其特殊的含义,表述着相似的问题。为了解决这些问题,在URL中使用的字符就必须是一个ASCII字符集的固定字集中的元素,具体如下:

 

1.大写字母A-Z

2.小写字母a-z

3.数字 0-9

4.标点符 - _ . ! ~ * ‘ (和 ,)

 

      诸如字符: / & ? @ # ; $ + = 和 %也可以被使用,但是它们各有其特殊的用途,如果一个文件名包括了这些字符( / & ? @ # ; $ + = %),这些字符和所有其他字符就应该被编码。

 

      编码过程非常简单,任何字符只要不是ASCII码数字,字母,或者前面提到的标点符,它们都将被转换成字节形式,每个字节都写成这种形式:一个“%”后面跟着两位16进制的数值。空格是一个特殊情况,因为它们太平常了。它除了被编码成“ ”以外,还能编码为一个“+”。加号(+)本身被编码为+。当/ # = & 和?作为名字的一部分来使用时,而不是作为URL部分之间的分隔符来使用时,它们都应该被编码。

 

URLEncoder的两种静态方法: 

 

public static String encode(String s)

public static String encode(String s, String encoding) throws UnsupportedEncodingException

 

与URLEncoder 类相对应的URLDecoder 类有两种静态方法。它们解码以x-www-form-url-encoded这种形式编码的string。也就是说,它们把所有的加号(+)转换成空格符,把所有的%xx分别转换成与之相对应的字符:

public static String decode(String s) throws Exception

public static String decode(String s, String encoding)

// Java 1.4 throws UnsupportedEncodingException



以下来源:

http://tech.sina.com.cn/s/2008-07-07/1053722241.shtml

 

/*

  网页中的表单使用POST方法提交时,数据内容的类型是 application/x-www-form-urlencoded,这种类型会:

  1.字符"a"-"z","A"-"Z","0"-"9",".","-","*",和"_" 都不会被编码;

  2.将空格转换为加号 (+) ;

  3.将非文本内容转换成"%xy"的形式,xy是两位16进制的数值;

  4.在每个 name=value 对之间放置 & 符号。

  */

  URLEncoder类包含将字符串转换为application/x-www-form-urlencoded MIME 格式的静态方法。

  web设计者面临的众多难题之一便是怎样处理不同操作系统间的差异性。这些差异性能引起URL方面的问题:例如,一些操作系统允许文件名中含有空格符,有些又不允许。大多数操作系统不会认为文件名中含有符号“#”会有什么特殊含义;但是在一个URL中,符号“#”表示该文件名已经结束,后面会紧跟一个fragment(部分)标识符。其他的特殊字符,非字母数字字符集,它们在URL或另一个操作系统上都有其特殊的含义,表述着相似的问题。为了解决这些问题,我们在URL中使用的字符就必须是一个ASCII字符集的固定字集中的元素,具体如下:

  1.大写字母A-Z

  2.小写字母a-z

  3.数字 0-9

  4.标点符 - _ . ! ~ * ‘ (和 ,)

  诸如字符: / & ? @ # ; $ + = 和 %也可以被使用,但是它们各有其特殊的用途,如果一个文件名包括了这些字符( / & ? @ # ; $ + = %),这些字符和所有其他字符就应该被编码。

  编码过程非常简单,任何字符只要不是ASCII码数字,字母,或者前面提到的标点符,它们都将被转换成字节形式,每个字节都写成这种形式:一个“%”后面跟着两位16进制的数值。空格是一个特殊情况,因为它们太平常了。它除了被编码成“%20”以外,还能编码为一个“+”。加号(+)本身被编码为%2B。当/ # = & 和?作为名字的一部分来使用时,而不是作为URL部分之间的分隔符来使用时,它们都应该被编码。

  WARNING这种策略在存在大量字符集的异构环境中效果不甚理想。例如:在U.S. Windows 系统中, é 被编码为 %E9. 在 U.S. Mac中被编码为%8E。这种不确定性的存在是现存的URI的一个明显的不足。所以在将来URI的规范当中应该通过国际资源标识符(IRIs)进行改善。

  类URL并不自动执行编码或解码工作。你能生成一个URL对象,它可以包括非法的ASCII和非ASCII字符和/或%xx。当用方法getPath() 和toExternalForm( ) 作为输出方法时,这种字符和转移符不会自动编码或解码。你应对被用来生成一个URL对象的字符串对象负责,确保所有字符都会被恰当地编码。

  幸运的是,java提供了一个类URLEncoder把string编码成这种形式。Java1.2增加了一个类URLDecoder它能以这种形式解码string。这两个类都不用初始化:

  public class URLDecoder extends Object

  public class URLEncoder extends Object

  一、URLEncoder

  在java1.3和早期版本中,类java.net.URLEncoder包括一个简单的静态方法encode( ), 它对string以如下规则进行编码:

  public static String encode(String s)

  这个方法总是用它所在平台的默认编码形式,所以在不同系统上,它就会产生不同的结果。结果java1.4中,这个方法被另一种方法取代了。该方法要求你自己指定编码形式:

  public static String encode(String s, String encoding) throws UnsupportedEncodingException

  两种关于编码的方法,都把任何非字母数字字符转换成%xx(除了空格,下划线(_),连字符(?),句号(。),和星号(*))。两者也都编码所以的非ASCII字符。空格被转换成一个加号。这些方法有一点过分累赘了;它们也把“~”,“‘”,“()”转换成%xx,即使它们完全用不着这样做。尽管这样,但是这种转换并没被URL规范所禁止。所以web浏览器会自然地处理这些被过分编码后的URL。

  两中关于编码的方法都返回一个新的被编码后的string,java1.3的方法encode( ) 使用了平台的默认编码形式,得到%xx。这些编码形式典型的有:在 U.S. Unix 系统上的ISO-8859-1, 在U.S. Windows 系统上的Cp1252,在U.S. Macs上的MacRoman,和其他本地字符集等。因为编码解码过程都是与本地操作平台相关的,所以这些方法是令人不爽的,不能跨平台的。

  这就明确地回答了为什么在java1.4中这种方法被抛弃了,转而投向了要求以自己指定编码形式的这种方法。尽管如此,如果你执意要使用所在平台的默认编码形式,你的程序将会像在java1.3中的程序一样,是本地平台相关的。在另一种编码的方法中,你应该总是用UTF-8,而不是其他什么。UTF-8比起你选的其他的编码形式来说,它能与新的web浏览器和更多的其他软件相兼容。

  例子7-8是使用URLEncoder.encode( ) 来打印输出各种被编码后的string。它需要在java1.4或更新的版本中编译和运行。

  Example 7-8. x-www-form-urlencoded strings

  import java.net.URLEncoder;
  import java.net.URLDecoder;
  import java.io.UnsupportedEncodingException;
  public class EncoderTest {
  public static void main(String[] args) {
  try {
  System.out.println(URLEncoder.encode("This string has spaces","UTF-8"));
  System.out.println(URLEncoder.encode("This*string*has*asterisks","UTF-8"));
  System.out.println(URLEncoder.encode("This%string%has%percent%signs", "UTF-8"));
  System.out.println(URLEncoder.encode("This+string+has+pluses","UTF-8"));
  System.out.println(URLEncoder.encode("This/string/has/slashes","UTF-8"));
  System.out.println(URLEncoder.encode("This"string"has"quote"marks", "UTF-8"));
  System.out.println(URLEncoder.encode("This:string:has:colons","UTF-8"));
  System.out.println(URLEncoder.encode("This~string~has~tildes","UTF-8"));
  System.out.println(URLEncoder.encode("This(string)has(parentheses)", "UTF-8"));
  System.out.println(URLEncoder.encode("This.string.has.periods","UTF-8"));
  System.out.println(URLEncoder.encode("This=string=has=equals=signs", "UTF-8"));
  System.out.println(URLEncoder.encode("This&string&has&ersands","UTF-8"));
  System.out.println(URLEncoder.encode("Thiséstringéhasé non-ASCII characters","UTF-8"));
  // System.out.println(URLEncoder.encode("this中华人民共和国","UTF-8"));

  } catch (UnsupportedEncodingException ex) {throw new RuntimeException("
Broken VM does not support UTF-8");
  }
  }
  }

  下面就是它的输出。需要注意的是这些代码应该以其他编码形式被保存而不是以ASCII码的形式,还有就是你选择的编码形式应该作为一个参数传给编译器,让编译器能据此对源代码中的非ASCII字符作出正确的解释。

  % javac -encoding UTF8 EncoderTest %

  java EncoderTest

  This+string+has+spaces

  This*string*has*asterisks

  This%25string%25has%25percent%25signs

  This%2Bstring%2Bhas%2Bpluses

  This%2Fstring%2Fhas%2Fslashes

  This%22string%22has%22quote%22marks

  This%3Astring%3Ahas%3Acolons

  This%7Estring%7Ehas%7Etildes

  This%28string%29has%28parentheses%29

  This.string.has.periods

  This%3Dstring%3Dhas%3Dequals%3Dsigns

  This%26string%26has%26ampersands

  This%C3%A9string%C3%A9has%C3%A9non-ASCII+characters

  特别需要注意的是这个方法编码了符号,“\” ,&,=,和:。它不会尝试着去规定在一个URL中这些字符怎样被使用。由此,所以你不得不分块编码你的URL,而不是把整个URL一次传给这个方法。这是很重要的,因为对类URLEncoder最通常的用法就是查询string,为了和服务器端使用GET方法的程序进行交互。例如,假设你想编码这个查询sting,它用来搜索AltaVista网站:

  pg=q&kl=XX&stype=stext&q=+"Java+I/O"&search.x=38&search.y=3

  这段代码对其进行编码:

  String query = URLEncoder.encode( "pg=q&kl=XX&stype=stext&q=+"Java+I/O"&search.x=38&search.y=3");System.out.println(query);

  不幸的是,得到的输出是:

  pg%3Dq%26kl%3DXX%26stype%3Dstext%26q%3D%2B%22Java%2BI%2FO%22%26search.x%3D38%26search.y%3D3

  出现这个问题就是方法URLEncoder.encode( ) 在进行盲目地编码。它不能区分在URL或者查询string中被用到的特殊字符(象前面string中的“=”,和“&”)和确实需要被编码的字符。由此,所以URL需要像下面这样一次只编码一块:

  String query = URLEncoder.encode("pg");
  query += "=";
  query += URLEncoder.encode("q");
  query += "&";
  query += URLEncoder.encode("kl");
  query += "=";
  query += URLEncoder.encode("XX");
  query += "&";
  query += URLEncoder.encode("stype");
  query += "=";
  query += URLEncoder.encode("stext");
  query += "&";
  query += URLEncoder.encode("q");
  query += "=";
  query += URLEncoder.encode(""Java I/O"");
  query += "&";
  query += URLEncoder.encode("search.x");
  query += "=";
  query += URLEncoder.encode("38");
  query += "&";
  query += URLEncoder.encode("search.y");
  query += "=";
  query += URLEncoder.encode("3");
  System.out.println(query);

  这才是你真正想得到的输出:

  pg=q&kl=XX&stype=stext&q=%2B%22Java+I%2FO%22&search.x=38&search.y=3

  例子7-9是一个QueryString类。在一个java对象中,它使用了类URLEncoder来编码连续的属性名和属性值对,这个java对象被用来发送数据到服务器端的程序。

  当你在创建一个QueryString对象时,你可以把查询string中的第一个属性对传递给类QueryString的构造函数,得到初始string。如果要继续加入后面的属性对,就应调用方法add(),它也能接受两个string作为参数,能对它们进行编码。方法getQuery( )返回一个属性对被逐个编码后得到的整个string。

  Example 7-9. -The QueryString class

  package com.macfaq.net;
  import java.net.URLEncoder;
  import java.io.UnsupportedEncodingException;
  public class QueryString {
  private StringBuffer query = new StringBuffer();
  public QueryString(String name, String value) {
  encode(name, value);
  }
  public synchronized void add(String name, String value) {
  query.append(‘&‘);
  encode(name, value);
  }
  private synchronized void encode(String name, String value) {
  try {
  query.append(URLEncoder.encode(name, "UTF-8"));
  query.append(‘=‘);
  query.append(URLEncoder.encode(value, "UTF-8"));
  } catch (UnsupportedEncodingException ex) {
  throw new RuntimeException("Broken VM does not support UTF-8");
  }
  }
  public String getQuery() {
  return query.toString();
  }
  public String toString() {
  return getQuery();
  }
  }

  利用这个类,现在我们就能对前面那个例子中的string进行编码了:

  QueryString qs = new QueryString("pg", "q");
  qs.add("kl", "XX");
  qs.add("stype", "stext");
  qs.add("q", "+"Java I/O"");
  qs.add("search.x", "38");
  qs.add("search.y", "3");
  String url = "http://www.altavista.com/cgi-bin/query?" + qs;
  System.out.println(url);

  二、URLDecoder

  与URLEncoder 类相对应的URLDecoder 类有两种静态方法。它们解码以x-www-form-url-encoded这种形式编码的string。也就是说,它们把所有的加号(+)转换成空格符,把所有的%xx分别转换成与之相对应的字符:

  public static String decode(String s) throws Exception
  public static String decode(String s, String encoding) // Java 1.4 throws 
UnsupportedEncodingException

  第一种解码方法在java1.3和java1.2中使用。第二种解码方法在java1.4和更新的版本中使用。如果你拿不定主意用哪种编码方式,那就选择UTF-8吧。它比其他任何的编码形式更有可能得到正确的结果。

  如果string包含了一个“%”,但紧跟其后的不是两位16进制的数或者被解码成非法序列,该方法就会抛出IllegalArgumentException 异常。当下次再出现这种情况时,它可能就不会被抛出了。这是与运行环境相关的,当检查到有非法序列时,抛不抛出IllegalArgumentException 异常,这时到底会发生什么是不确定的。在Sun‘s JDK 1.4中,不会抛出什么异常,它会把一些莫名其妙的字节加进不能被顺利编码的string中。这的确令人头疼,可能就是一个安全漏洞。

  由于这个方法没有触及到非转义字符,所以你可以把整个URL作为参数传给该方法,不用像之前那样分块进行。例如:

  String input = "http://www.altavista.com/cgi-bin/" + "query?
pg=q&kl=XX&stype=stext&q=%2B%22Java+I%2FO%22&search.x=38&search.y=3";

  try {
  String output = URLDecoder.decode(input, "UTF-8");
  System.out.println(output);
  }

 

 

原文来自:http://jishudaima.iteye.com/blog/957169

 

request对象读取请求参数时默认采用的英文字符集ISO-8859-1。如果请求参数的值含有中文字符,读出的字符串将是乱码。读取含中文字符的参数值需要正确的设置request对象的字符编码。JSP页面需要在调用getParameter()方法之前,调用setCharacterEncoding()方法设置使用什么字符集。常用的表示中文的字符集有:GB2312、GBK、GB18030、BIG5、UTF-8。字符集的设置应该和发送请求的JSP页面的编码一致。

<%@ page language="java" contentType="text/html; charset=GB18030"

pageEncoding="GB18030"%>

<html>

<head>

<title>字符编码</title>

</head>

<body>

<form action="character_encoding.jsp" method="post">

<p>姓名:<input type="text" name="name"/></p>

<p><input type="submit" name="submit" value="提交"/></p>

</form>

<%

//设置字符集语句需要放在所有getParameter()方法之前

request.setCharacterEncoding("GB18030");

 

String name = request.getParameter("name");

if(name!=null) {

out.println("<h2>姓名:" + name+"</h2>");

}

%>

</body>

</html>

正确读取中文字符串的情况:

技术分享

去掉request.setCharaterEncoding("GB18030")出现乱码的情况:

技术分享

 

 

原文链接:http://jishudaima.iteye.com/blog/957169

 

一就是指定页面编码指定为<%@ page contentType="text/html; charset=gb2312"%>和<meta http-equiv="Content-Type" content="text/html; charset=gb2312">,然后request. getParameter()得到参数后通过getBytes()转码。我原来用jsp+servlet写程序时,也是这样处理,而且可行。但由于现在整个项目所有页面编码均指定为utf-8,所以全改为gb2312不太现实。 网上也有说通过添加过滤器的方式,设置request如下:request.seCharacterEncoding ("utf-8"),得到参数后通过new String(iso.getBytes("ISO-8859-1"),"utf-8")即可。尝试了一下,依旧失败。奇数乱码,偶数正常。

二就是通过java.net.URLEncoder.encode(keywords)和decode方法来处理。在发送请求之前,先通过encode()对汉字进行编码,在处理参数时,用decode解码。如下示例:

<%

       String paramValue = "汉字参数";

%>

<form method=pos

郑重声明:本站内容如果来自互联网及其他传播媒体,其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。