【tomcat+nutch+jdk】“中文乱码”的原理和解决方法
【tomcat 乱码的解决】
在 Nutch 的搜索框中输入中文，点击“搜索”按钮之后，可以看到搜索框中的关键字是乱码，搜索结果也为空。网上有很多文章都谈到了这个现象，这不是 Nutch 的问题，而是 Tomcat 没有对 uri 做编码造成的。Java 的内核和 class 文件是基于 unicode 的，这使 Java 程序具有良好的跨平台性，但也带来了一些中文乱码问题的麻烦。
原因主要有两方面：
------------------------------------------------------------
①Java 和 JSP文件本身编译时产生的乱码问题；
首先 Java（包括 JSP）源文件中很可能包含有中文，而 Java 和 JSP 源文件的保存方式是基于字节流的，如果 Java 和 JSP 编译成 class 文件过程中，使用的编码方式与源文件的编码不一致，就会出现乱码。基于这种乱码，建议在 Java 文件中尽量不要写中文（注释部分不参与编译，写中文没关系）， 如果必须写的话，尽量手动带参数 -ecoding GBK 或 -ecoding gb2312 编译；对于 JSP，在文件头加上<%@ page contentType="text/html;charset=GBK"%>或<%@ page contentType="text/html;charset=gb2312"%>基本上就能解决这类乱码问题。
------------------------------------------------------------
②Java程序于其他媒介交互产生的乱码问题。
本文要重点讨论的是第二类乱码，即 Java 程序与其他存储媒介交互时产生的乱码。
很多存储媒介，如数据库，文件，流等的存储方式都是基于字节流的，Java 程序与这些媒介交互时就会发生字符(char)与字节(byte)之间的转换，例如从页面提交表单中提交的数据在 Java 程序里显示乱码等情况。
如果在以上转换过程中使用的编码方式与字节原有的编码不一致，很可能就会出现乱码。
===================================================================================
【解决方法】
对于流行的?Tomcat?来说，有以下两种解决方法：
1) 更改 /tomcat/conf/server.xml，指定浏览器的编码格式为“简体中文”：
vi /qu6zhi/tomcat/conf/server.xml
在“Connector port=”8080″”那一节添加
<Connector?URIEncoding="UTF-8" useBodyEncodingForURI="true"?/>
在文件的最下面添加?URIEncoding="UTF-8" useBodyEncodingForURI="true" 即可。否则搜索栏输入的字符默认编码将不能正确解析。可以这样验证你的更改是否成功：在更改前，在你出现乱码的页面的浏览器，点击菜单“查看｜编码”，会发现“西欧(ISO)”处于选中状态。而更改后，点击菜单“查看｜编码”，会发现“简体中文(GB2312)”处于选中状态。
------------------------------------------------------------
2)更改 Java 程序，我的程序是这样的：
public class ThreeParams extends HttpServlet {
public void doGet(HttpServletRequest request, HttpServletResponse response)
?? throws ServletException, IOException {
??????response.setContentType("text/html; charset=GBK");
????? ...
}?
}
粗体字是必需要有的，它的作用是让浏览器把Unicode字符转换为GBK字符。这样页面的内容和浏览器的显示模式都设成了GBK，就不会乱码了。
===================================================================================