Java servlet 不能正确处理特殊字符如 ć

如何解决Java servlet 不能正确处理特殊字符如 ć

我有一个 java servlet，它读取由 javascript 前端发送的参数。 javascript前端使用：

escape("{€ć") which becomes "%7B%u20AC%u0107"

Java servlet 就是这样做的：

private static final Pattern JAVASCRIPT_ESCAPE_SEQUENCE= Pattern.compile("%(u[0-9a-fA-F]{4}|[0-9a-fA-F]{2})");




    static String unescape(String input) {
    Matcher matcher = JAVASCRIPT_ESCAPE_SEQUENCE.matcher(input);
    StringBuffer sb = new StringBuffer(input.length());
    while(matcher.find()) {
        String escapeSequence = matcher.group(1);
        if (escapeSequence.startsWith("u")) {
            escapeSequence = escapeSequence.substring(1);
        }
        char c = (char) Integer.parseInt(escapeSequence,16);
        //System.out.println(" converted  " + Integer.parseInt("0107",16));
        matcher.appendReplacement(sb,Character.toString(c));
    }
    matcher.appendTail(sb);
    return sb.toString();
}

String sDecodedContent = this.unescape(requestContent);

在 Java 中，变量 sDecodedContent 不是“{€ć”而是“{€?”并将它的字符串发送到后端，后端将错误的字符串存储到数据库中。为什么 ć 没有被正确解码？问候

解决方法

在 Java 中，变量 sDecodedContent 不是“{€ć”而是“{€?”

这是错误的。

您未能在粘贴中包含 JAVASCRIPT_ESCAPE_SEQUENCE，但假设它不是某个完全损坏的片段，c 最终将具有值 0x0107。

让我们继续：

char c = 0x0107;
System.out.println(Character.toString(c));

这会按预期打印 ć，并且对该字符串的一些额外检查显示，并且毫不奇怪，代码点为 0x0107 的字符确实在您的字符串中。 Java 不是随机损坏或愚蠢设计的，所以这是有道理的。

那你为什么要观察别的东西？

因为无论 System.out 将其输出发送到什么，都只是一个流 - 一袋字节。字符集转换无处不在。 Java 认为它需要将该字符解码为的字符集编码是 A，然后将这些字节呈现回字符串并显示给您的眼球，无论是什么过程，都认为它是 B，和 A/B 不兼容。或者，它们是，但是用于呈现它的字体无法处理 0x0107，并且用于指示“我没有用于此的字形”的字形是 ?。如果它不是黑色菱形的问号，则很可能是您设置的字体极其简单，或者，更有可能是编码问题。 >

那么，您是在终端中运行它吗？你配置错了。检查 bash 或 iterm 或您正在使用的任何文件的文档，并检查如何正确配置编码。 Java 正在发送正确的东西；是那之后发生的事情是错误的。

并将其发送到后端，后端将错误的字符串存储到数据库中。

同样，java 没有问题，这意味着您的数据库有问题，或者可能是 JDBC 驱动程序有问题。例如，在 mysql 上，您可能使用了数据类型 UTF8。哪个不是 UTF8（Mysql 相当是一个糟糕的数据库，带有大量奇怪的警告，为了正确使用它，您需要了解这些警告毫无意义。我强烈建议您使用远像这样的疣更少），或者您只是将其保留为默认值，这通常是一些北欧 ISO 而不是 UTF8MB4（这是实际 UTF8 的 mysqlese）。这通常被称为“整理”，如果这有助于阅读您使用的数据库的文档。

测试所有这些东西的一个简单方法是直接到源：

String test = "\u0107";
System.out.println(test);
sendToDb(test);

如果 ć 没有被打印或者其他东西到达数据库，你知道它不是 java，因为 "\u0107" 是一个代表 ć 的文字这不可能被误解，并且不依赖于任何东西的字符集配置。这就是 Java 源文件中 \u 转义的用途：确保提供给例如错误的字符集javac 命令通过 -charset 根本不影响结果。

您会发现它正在打印 ? 并且数据库也在类似地处理这些字符串。弄乱你的终端和/或数据库的配置，直到它起作用。