S3的中文编码问题及修复方案

原创小包子大网易游戏运维平台 2019-08-10

小包子大

06 年加入网易游戏，先后负责过多个端游/手游产品的运维工作；多年运维生涯，历经数次运维技术变革；本人关注广泛，Web/CDN，自动化，分布式等，欢迎来侃；作为十多年运维老兵, 平日写些别人看着晦涩的东西，擅长手术刀式的运维杂症分析。

二个月前，游戏的流媒体站点从物理机迁移到了 S3，迁移过程中发生了一些小插曲，今天分享下其中的 S3 中文文件名的编码问题及解决方法。

这里指的中文，是指文件名带中文，而不是文件内容。

中文主要有 2 种编码，UTF-8 与 GBK，服务器环境大都是 UTF-8 编码，而 Windows 系统则采用 GBK。

PS. 本文档不区分字符集与字符编码，二者在这里可以混用。

一、中文文件名与S3上传的编码问题

当上传到 S3 的文件名带有中文时，上传时的编码环境很重要。

文件名采用什么编码，就需要在相应的编码环境上传，否则无法上传

比如，一个文件名采用 GBK 编码的文件，在 GBK 编码环境下，正常上传

而同一个文件，切换到 UTF-8 环境下，上传报错

上面这个编码要求还算说得过去，但当以目录为单位上传到 S3 时，异常编码的文件，会被 “静默地“ 忽略掉！
即当你想同步整个目录到 S3 时，实际只是同步了名字编码没有问题的文件，请注意这个坑。

二、S3 Website的中文文件名问题

上传的编码问题，还好解决，下行的问题，就比较麻烦了，原因是 S3 只支持 UTF-8！

所有上传到 S3 的文件，文件名都将被强制为 UTF-8 编码

上面的测试中，我们在 GBK 编码环境下，上传了一个文件名采用 GBK 编码的文件，现在来访问它。

当使用 GBK 编码时，返回 400，注意，是 400！

切到 UTF-8 编码，则可以正常访问，即我们上传的 GBK 编码的中文文件名，被强制转为了 UTF-8

三、S3强制使用UTF-8编码的影响

大家知道，目前的端游，几乎都是基于 Windows 平台，而 Windows 使用的是 GBK 编码，因此，这些端游的客户端采用 GBK 编码，这些客户端生成的文件，也是 GBK 编码的。我们所熟知的西游系列的端游，会产生大量的战斗录像，这些战斗录像，有一些是使用中文文件名，当这些录像文件，上传到 S3 后，客户端/播放器再尝试以 GBK 编码去请求录像时，就会产生 400 错误。

四、当前的文件访问路径

这里只说下 S3 Proxy 的用途

实现基于 S3 Bucket 子目录的虚拟主机
为后续扩容的多个 Buckets 提供统一的入口

五、如何修复这个编码问题

大致的思路是，服务端作适配，将 Client 的 GBK 编码的请求，在转发到 S3 Bucket 前，将请求的 URI 转为 UTF-8 编码，

其它诸如在客户端作调整的方案，暂不考虑！（对业务的少侵入/零侵入原则）

目前，这个 URI 转编码，理论上，在 LBC，S3 Proxy 或 S3 GW 上面都可以做，考虑到在通用业务上作调整的风险太大，故这个转编码的工作，放在业务专用的 S3 Proxy 上。

URI 转编码考虑的主要因素：

中文文件名可以采用 GBK 或 UTF-8 编码，Client 访问这些文件时，可能是 UTF-8 或 GBK 编码
如果用户请求的 URI 属于单字节编码的字符集，无需调整编码 (GBK/UTF-8 都可以与之兼容）
如果用户是使用 GBK 编码，那 URI 需要先转码为 UTF-8，再转发到 S3
如果用户是使用 UTF-8 编码，无需调整 URI 编码，直接转发到 S3

看看nginx的URI转编码方案

# nginx + lua/iconv (openresty)
rewrite_by_lua_block {
    local iconv = require 'resty.iconv'
    local request_uri = ngx.var.request_uri
    local handler, errmsg = iconv:new("utf-8", "gbk")
    if not handler then
        return ngx.say(errmsg)
    end
    local request_uri_utf8, words = handler:convert(request_uri)
    if not request_uri_utf8 then
        return ngx.say(words)
    end
    ngx.req.set_uri(request_uri_utf8)
}

上述功能，也可以使用 nginx 第三方 iconv 扩展来做；

但主要的问题是，Nginx/Openresty 如何原生地获取到 Client 请求时使用的编码，上述方案都是假设 Client 固定使用 GBK。

当前无法判断Client请求的编码，故采取新的思路

强制(盲转)转码，如果转码异常，请求转到 S3 后将返回 403，我们将这个 403 捕捉，再进行一次正常合理的转编码，而这次转编码后，S3 将正常返回。

以下是主要的 nginx 配置代码

#下面定义了2个Server，请注意，2个Server的Upstream，是同一个，指向同一个S3 ！

#定义 8003 服务器，使用S3作为Upstream
server {
    listen 8003 default_server;
    server_name wahaha-wahaha.s3.nie.netease.com;
    location / {
        #这里进行URI编码盲转，强制认为Client编码为UTF-8，并转码为UTF-8 -_-
        #当Client编码为非UTF-8时，转编码后，Upstream将返回403，这个403将被捕捉！
        proxy_pass  http://wahaha-wahaha.s3.nie.netease.com;
    }
}

#定义 8004 服务器，使用S3作为Upstream
server {
    listen 8004 default_server;
    server_name wahaha-wahaha.s3.nie.netease.com;
    location / {
        #这里进行URI编码盲转，强制认为Client编码为GBK，并转码为UTF-8 -_-
        #当Client编码为非GBK时，转编码后，Upstream将返回403，这个403将被捕捉！
        proxy_pass  http://wahaha-wahaha.s3.nie.netease.com;;
    }
} 

# 注意：S3没有404的概念，原本当编码异常时，S3会返回400（不可捕捉）, 强制转编码后，S3返回403（可捕捉）


# 再定义一个Upstream，引用上述8003，8004服务器
upstream v.nie {
    server 127.0.0.1:8003; #绝大多数情况下，URI都是单字节编码的字符集，所以将UTF-8设置为默认Client编码
    server 127.0.0.1:8004 backup; #少数文件名采用GBK编码，故作为从站
}

# S3 Proxy入口配置
server {
    listen 80；
    server_name  wahaha.wahaha.netease.com;
    #以2个RTT为代价，实现编码异常时的Failover（捕捉403）
    proxy_next_upstream http_403；
    location / {
        #回源到8003,8004, 并最终回源到S3 Bucket
        proxy_pass       http://v.nie$uri;
    }
}