http request乱码的真相

摘要

当然,终极原因http协议里没有规定request一定要指定编码,导致浏览器,web服务器都各搞一套…… 下面一一理清。

首先,从浏览器端看下有多少种情况:

1.在浏览器的地址栏,或者搜索框里输入地址:http://www.test.com/衣服/search?keyword=T恤

2.在一个指定了编码的网页中,提交一个form,如:

<html>  
<head>  
    <meta charset="gbk">  
</head>  
<body>  
<p>你好</p>  
<form id="productSearchForm" action="http://127.0.0.1:8080/test.html" method="post">  
    <input name="keyword" class="keyword" value="T恤" maxlength="30">  
    <button type="submit">搜索</button>  
</form>  
</body>  
</html>

当然还有,各种细分的选项,如get/post,form里是否指定了编码。

3. ajax请求里的编码。

我们从流程上来看,一个http request要经过哪些东东的处理:

1.浏览器/JavaScript

2.web server,以tomcat/jetty为例

3.filter/servlet ,以Java为例

4.web 框架,以spring mvc为例。

对于在浏览器的地址栏支持输入的地址,各种浏览器是如何处理的,可以参考这个:

http://www.ruanyifeng.com/blog/2010/02/url_encoding.html

也可以自己简单的测试,在Linux下执行:

nc -l 8080

接着在浏览器里直接访问 http://localhost:8080/衣服/search?keyword=T恤,

然后在就可以看到nc的输出结果了。当然,浏览器的debug工具也可以很方法地看到编码的结果,不过用nc,就不用自己跑一个web服务器了,非常方便。

另外那个keyword=T恤,也是有意选择的,这样可以很方便地看到编码的结果。恤的gbk编码是两个byte,utf-8编码是3个byte,也很容易区别到底是什么编码。

简单地总结下对于浏览器地址栏里直接访问:http://www.test.com/衣服/search?keyword=T恤  的编码情况:

对于chrome,“衣服”和“T恤”都是utf-8编码;

对于IE8,“衣服”和“T恤”都是gbk编码。

这里实际上有两个概念,一个是URI的编码,一个是query string(即?后面的字符串)的编码。

http request里的Content-Type设置:

http request是可以指定request的编码信息的,如:

Content-Type: application/x-www-form-urlencoded ; charset=UTF-8
但实际上,浏览器都没有这样提供这样的说明……

form提交里的编码设置:

form可以这样子设置编码:

<form accept-charset="UTF-8" enctype="application/x-www-form-urlencoded;charset=UTF-8"

但是实际上浏览器却不一定会这么做……

比如,把页页编码设置为gbk,再把form编码设置为utf-8。

简单测试,IE8仍然把form编码为gbk,chrome虽然编码为utf-8,但却没有在request里指明。。

当然,还有一个小技巧可以强行使用某种编码,那就是我们先自己转换好编码,如:

<form id="productSearchForm" action="http://127.0.0.1:8080/%A3%A4"

不过,这样意义不大。

web server是如何处理http request的编码的?

只讨论tomcat和jetty。

Tomcat对于URI的编码,有两个参数可以配置:

URIEncoding:这个可以强制指定用什么编码处理URI,默认是ISO-8859-1;

useBodyEncodingForURI:这个是一个兼容性比较好的选项,如果在request指定了编码,则采用request里指定的编码。因此,设置了这个选项为true之后,在java代码里就可以调用request.setCharacterEncoding来设置编码了。

参考:http://wiki.apache.org/tomcat/FAQ/CharacterEncoding#Q2

Jetty只提供了对query string的编码的指定方式,没有提供对URI编码的设置。因此,对于http:www.test.com/衣服/abcd/ 这样的URI,jetty总是把“/衣服/abcd/”当做是utf-8编码。

参考:http://wiki.eclipse.org/Jetty/Howto/International_Characters#International_characters_in_URLs

Spring mvc是如何处理编码的:

spring mvc里提供了一个Filter:

<filter>  
    <filter-name>encodingFilter</filter-name>  
    <filter-class>org.springframework.web.filter.CharacterEncodingFilter</filter-class>  
    <init-param>  
        <param-name>encoding</param-name>  
        <param-value>UTF-8</param-value>  
    </init-param>  
    <init-param>  
        <param-name>forceEncoding</param-name>  
        <param-value>true</param-value>  
    </init-param>  
</filter>

到源代码里看一下,可以发现,其实里面只是设置了request的encoding:

if (this.encoding != null && (this.forceEncoding || request.getCharacterEncoding() == null)) {  
    request.setCharacterEncoding(this.encoding);  
    if (this.forceEncoding) {  
        response.setCharacterEncoding(this.encoding);  
    }  
}

但是这个对request URI的编码实际上是不起效的。

再看下源代码里是通过j2ee里的request的API来得到的:

RequestParamMethodArgumentResolver类里:

protected Object resolveName(String name, MethodParameter parameter, NativeWebRequest webRequest) throws Exception {  

if (arg == null) {  
String[] paramValues = webRequest.getParameterValues(name);  
if (paramValues != null) {  
arg = paramValues.length == 1 ? paramValues[0] : paramValues;  
}  
}

最终实际上调用的是底层web server的request实现类,如tomcat的是org.apache.catalina.connector.RequestFacade,而web server到底是怎么处理请求的编码的,参照上一小节。

http request 编码自动识别

这个比较少用到,只有搜索引擎需要识别这种情况。因为搜索引擎需要处理在地址栏里直接输入的字符串的编码。

我测试了google, 百度,淘宝的搜索引擎,都能自动识别编码。但是其它的一些非搜索引擎的应用,都不能自动识别编码。

当然,程序员通常只保证在自家的网页上,点击的产生的http request能正确地被编码,被识别。

那么,假定我们现在要做一个搜索类的功能,而且要能自动识别编码,要怎么处理?

以tomcat为例,首先要配置URIEncoding为ISO-8859-1,这样保证信息不丢失。

接着,写一个filter,从request里拿到uri,再进行编码识别,转换。编码识别的库参考:

https://code.google.com/p/juniversalchardet/

还有另外一个思路,写一个nginx的插件,先在nginx层识别,转换好编码。当然原理都是一样的。

其它的一些东东:

中文域名的的编码:

这东东应该没多少人用吧。不过在jetty的网页里看到了一些有用的信息:

http://wiki.eclipse.org/Jetty/Howto/International_Characters#International_characters_in_domain_names

浏览器实际上会用一个叫Punycode的编码,把域名转换成ascii-only的域名,再发起请求。

我测试了下,在chrome里输入:导航.中国

实际是转到下面这个域名去了:http://xn--fet810g.xn--fiqs8s

C/C++里的编码:

我们在源文件test.c里写上:

printf(“%s”, “中文”);

那么它在源文件test.c里是什么编码?在编绎出来的test.out/test.exe里是什么编码?运行时输出到屏幕(shell/cmd)上又是什么编码?

其实Python也有这种蛋疼的情况……

QQ在User-Agent里的信息:

用IE8测试时,很神奇地发现在request里发现了QQDownload的字样,真是相当的令人无语。。

User-Agent: Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; QQDownload 751)

总结:

想要实现 www.test.com/王小明/文章  这种url是很困难的,因为你不但要应对各种浏览器的编码,还要处理各种web服务器的不同情况。

出现乱码时,首先区分request传过来的是什么编码,然后response返回的是什么编码,再逐一排查。

编码问题可以说是程序员无法回避的问题,我相信即使是很有经验的程序员,也会被坑。没有办法,现实世界就是这么坑爹,只能寻根溯源,一一排查了。

对于程序员通常,只要保证下面几点就没有问题了:

  • 指定网页的编码;
  • 配置web server对uri使用request里配置的编码;
  • 在ajax请求里先encodeURI();
  • 在web server端对request设置utf-8编码,对于response设置utf-8编码。
IT家园
IT家园

网友最新评论 (0)