[转]URL汉字编码难点(及乱码解决)

正文转自:

http://blog.csdn.net/sdtsfhh/article/details/8147243

 

转发表明:本文转发自:leowzy(http://leowzy.iteye.com/blog/794464)。

一、难点的原委

URL就是网址,只要上网,就势必会用到。

图片 1

一般的话,URL只好选用英文字母、阿拉伯数字和某些标点符号,无法采纳其他文字和符号。比如,世界上有英文字母的网址
http://www.abc.com”,但是没有希腊字母的网址“http://www.aβγ.com”(读作阿尔法-贝塔-伽玛.com)。这是因为网络标准[RFC
1738](http://www.ietf.org/rfc/rfc1738.txt) 做了硬性规定:

“…Only alphanumerics [0-9a-zA-Z],
the special characters “$-_.+!*'(),” [not including the quotes –
ed], and reserved characters used for their reserved purposes may be
used unencoded within a URL.”

style=”font-size: 12px;”>“唯有字母和数字[0-9a-zA-Z]、一些特殊符号“$-_.+!*'(),”[不包涵双引号]、以及某些保留字,才可以不通过编码直接用于
URL。”

那意味,要是URL中有汉字,就务须编码后使用。可是麻烦的是,RFC
1738从未有过确定切实的编码方法,而是交由应用程序(浏览器)自己说了算。那导致“URL编码”成为了一个杂乱无章的世界。

下边就让大家看看,“URL编码”到底有多杂乱。我会依次分析三种差其余状态,在每一种状态中,浏览器的URL编码方法都不平等。把它们的差别解释清楚之后,我再说什么用Javascript找到一个统一的编码方法。

二、境况1:网址路径中隐含汉字

开拓IE(我用的是8.0版),输入网址“http://zh.wikipedia.org/wiki/春节
”。注意,“清明节”那四个字此时是网址路径的一局地。

图片 2

翻看HTTP请求的头新闻,会意识IE实际查询的网址是“http://zh.wikipedia.org/wiki/%E6%98%A5%E8%8A%82
”。也就是说,IE自动将“中秋节”编码成了“%E6%98%A5%E8%8A%82”。

图片 3

我们领略,“春”和“节”的utf-8编码分别是“E6
98 A5”和“E8 8A
82”,由此,“%E6%98%A5%E8%8A%82”就是遵守顺序,在每个字节前加上%而得到的。(具体的转码方法,请参见我写的《字符编码笔记》 。)

在Firefox中测试,也得到了相同的结果。所以,结论1就是,网址路径的编码,用的是utf-8编码。

三、情状2:查询字符串包罗汉字

在IE中输入网址“http://www.baidu.com/s?wd=春节
”。注意,“七夕节”这八个字此时属于查询字符串,不属于网址路径,不要与气象1模糊。

图片 4

查看HTTP请求的头新闻,会发觉IE将“清明节”转化成了一个乱码。

图片 5

切换来十六进制格局,才能理解地观察,“端午”被转成了“B4
BA BD DA”。

图片 6

俺们知道,“春”和“节”的GB2312编码(我的操作系统“Windows
XP”汉语版的默许编码)分别是“B4 BA”和“BD
DA”。因而,IE实际上就是将查询字符串,以GB2312编码的格式发送出去。

Firefox的处理形式,略有不相同。它发送的HTTP
Head是“wd=%B4%BA%BD%DA”。也就是说,同样运用GB2312编码,但是在每个字节前增加了%。

图片 7

所以,结论2就是,查询字符串的编码,用的是操作系统的默许编码。

四、情状3:Get方法生成的URL包涵汉字

面前说的是一贯输入网址的状态,但是更常见的状态是,在已打开的网页上,直接用Get或Post方法发生HTTP请求。

根据安徽中兴高校吕瑞麟先生的试验
,那时的编码方法由网页的编码决定,也就是由HTML源码中字符集的设定控制。

  <meta http-equiv=”Content-Type”
content=”text/html;charset=xxxx”>

一旦上边这一行最终的charset是UTF-8,则URL就以UTF-8编码;借使是GB2312,URL就以GB2312编码。

比喻来说,百度是GB2312编码,谷歌是UTF-8编码。由此,从它们的探寻框中搜寻同一个词“端午”,生成的询问字符串是不等同的。

百度变动的是%B4%BA%BD%DA,那是GB2312编码。

图片 8

谷歌生成的是%E6%98%A5%E8%8A%82,那是UTF-8编码。

图片 9

所以,结论3就是,GET和POST方法的编码,用的是网页的编码。

五、意况4:Ajax调用的URL蕴涵汉字

前边两种情形都是由浏览器发出HTTP请求,最终一种情景则是由Javascript生成HTTP请求,也就是Ajax调用。照旧基于吕瑞麟先生的篇章,在那种景观下,IE和Firefox的处理格局完全不一样。

举例来说来说,有那般两行代码:

  url = url + “?q=”
+document.myform.elements[0].value; //
假定用户在表单中提交的值是“冬至节”那五个字

  http_request.open(‘GET’, url,
true);

那么,无论网页使用什么字符集,IE传送给服务器的连接“q=%B4%BA%BD%DA”,而Firefox传送给服务器的连天“q=%E6%98
%A5%E8%8A%82”。也就是说,在Ajax调用中,IE总是采纳GB2312编码(操作系统的默许编码),而Firefox总是利用utf-8编码。那就是我们的结论4。

六、Javascript函数:escape()

好了,到此为止,种种状态都说完了。

假如后边你都看懂了,那么此时你应该会感到很厌恶。因为,实在太混乱了。不一样的操作系统、不相同的浏览器、差别的网页字符集,将促成全盘两样的编码结果。倘若程序员要把每一种结果都考虑进来,是否太恐怖了?有没有办法,可以有限协助客户端只用一种编码方法向服务器发出请求?

答问是一些,就是利用Javascript先对URL编码,然后再向服务器交由,不要给浏览器参预的空子。因为Javascript的出口总是一样的,所以就有限扶助了服务器得到的数量是格式统一的。

Javascript语言用于编码的函数,一共有多个,最古老的一个就是escape()。即便这些函数现在曾经不提倡使用了,可是出于历史由来,很多地点还在利用它,所以有必不可少先从它讲起。

实在,escape()无法直接用来URL编码,它的的确作用是重临一个字符的Unicode编码值。比如“中秋节”的回到结果是%u6625%u8282,也就是说在Unicode字符集中,“春”是第6625个(十六进制)字符,“节”是第8282个(十六进制)字符。

图片 10

它的切切实实规则是,除了ASCII字母、数字、标点符号“@
* _ + – .
/”以外,对其它具备字符举办编码。在\u0000到\u00ff之间的标记被转成%xx的款式,其他符号被转成%uxxxx的款型。对应的解码函数是
unescape()。

因而,“Hello
World”的escape()编码就是“Hello%20World”。因为空格的Unicode值是20(十六进制)。

图片 11

再有八个地点须求注意。

首先,无论网页的原始编码是什么样,一旦被Javascript编码,就都变为unicode字符。也就是说,Javascipt函数的输入和出口,默认都是Unicode字符。那点对上边四个函数也适用。

图片 12

说不上,escape()不对“+”编码。但是大家明白,网页在交付表单的时候,如果有空格,则会被转接为+字符。服务器处理多少的时候,会把+号处理成空格。所以,使用的时候要小心。

七、Javascript函数:encodeURI()

encodeURI()是Javascript中真正用来对URL编码的函数。

它着眼于对整个URL进行编码,因而除了周边的符号以外,对其它部分在网址中有格外含义的标记“;
/ ? : @ & = + $ ,
#”,也不举行编码。编码后,它输出符号的utf-8情势,并且在种种字节前加上%。

图片 13

它对应的解码函数是decodeURI()。

图片 14

亟待注意的是,它不对单引号’编码。

八、Javascript函数:encodeURIComponent()

说到底一个Javascript编码函数是encodeURIComponent()。与encodeURI()的不相同是,它用来对URL的组成部分举行个别编码,而不用于对全部URL进行编码。

因此,“; / ? : @ & = + $ ,
#”,那几个在encodeURI()中不被编码的标记,在encodeURIComponent()中全都会被编码。至于实际的编码方法,两者是一律。

图片 15

它对应的解码函数是decodeURIComponent()。

PS1

网页里的form编码其实不完全在于网页编码,form标记中有一个accept-charset属性,在非ie浏览器种,假诺将其赋值(比如
accept-charset=”UTF-8″),则表单会听从这么些值表示的编码格局举办付出。
在ie下,我的协作解决办法是: form1.onsubmit=function(){
document.charset=this.getAttribute(‘accept-charset’); }

PS2 :字符编码笔记:ASCII,Unicode和
UTF-8

1. ASCII码

俺们知晓,在处理器内部,所有的消息最后都意味为一个二进制的字符串。每一个二进制位(bit)有0和1二种情况,因而几个二进制位就足以组合出
256种景况,那被称作一个字节(byte)。也就是说,一个字节一共可以用来表示256种不一致的情状,每一个场馆对应一个符号,就是256个标志,从
0000000到11111111。

上个世纪60年份,花旗国制订了一套字符编码,对保加金斯敦语字符与二进制位之间的涉嫌,做了合并规定。那被号称ASCII码,平昔沿用至今。

ASCII码一共规定了128个字符的编码,比如空格“SPACE”是32(二进制00100000),大写的字母A是65(二进制
01000001)。那128个标志(包含32个无法打印出来的控制符号),只占用了一个字节的后边7位,最前方的1位统一确定为0。

2、非ASCII编码

克罗地亚共和国(Republika Hrvatska)语用128个记号编码就够了,可是用来代表其他语言,128个标志是不够的。比如,在希腊语中,字母上方有注音符号,它就不可能用ASCII码表示。于是,一些南美洲国度就控制,利用字节中不了了之的万丈位编入新的标记。比如,德语中的é的编码为130(二进制10000010)。那样一来,那么些亚洲江山采纳的编码种类,能够表示最多256个记号。

但是,那里又出现了新的题材。不一致的国度有两样的假名,因而,哪怕它们都利用256个记号的编码格局,代表的假名却不一致。比如,130在罗马尼亚(România)语编码中意味了é,在拉脱维亚语编码中却表示了字母Gimel
(ג),在土耳其语编码中又会意味着另一个标志。可是无论怎样,所有那些编码格局中,0—127意味的记号是均等的,不均等的只是128—255的这一段。

关于南美洲国家的文字,使用的标志就更加多了,汉字就多达10万左右。一个字节只可以表示256种标志,肯定是不够的,就无法不运用多少个字节表明一个标记。比如,简体中文常见的编码形式是GB2312,使用八个字节表示一个中国字,所以理论上最多能够象征256×256=65536个标志。

汉语编码的题材亟需专文商讨,那篇笔记不涉及。那里只提议,纵然都是用多个字节表示一个标记,不过GB类的汉字编码与后文的Unicode和
UTF-8是毫无关系的。

3.Unicode

正如上一节所说,世界上存在着冒尖编码格局,同一个二进制数字能够被分解成分化的记号。由此,要想打开一个文本文件,就非得通晓它的编码方式,否则用错误的编码格局解读,就会油然则生乱码。为何电子邮件平日出现乱码?就是因为发信人和收信人使用的编码方式不雷同。

可以想像,即使有一种编码,将世界上有着的标志都纳入其中。每一个标记都予以一个全球无双的编码,那么乱码难题就会消失。这就是Unicode,就好像它的名字都代表的,那是一种具有符号的编码。

Unicode当然是一个很大的聚集,现在的层面足以容纳100多万个记号。每个符号的编码都不雷同,比如,U+0639表示阿拉伯字母
Ain,U+0041象征菲律宾语的大写字母A,U+4E25表示汉字“严”。具体的标志对应表,能够查询unicode.org  ,或者特其他汉字对应表

4. Unicode的问题

亟需留意的是,Unicode只是一个符号集,它只确定了标记的二进制代码,却从未确定这几个二进制代码应该怎么存储。

比如说,汉字“严”的unicode是十六进制数4E25,转换成二进制数足足有15位(100111000100101),也就是说那一个符号的意味至少须要2个字节。表示其他更大的标记,可能需求3个字节或者4个字节,甚至越多。

此地就有三个沉痛的标题,第四个难点是,怎么样才能分别unicode和ascii?统计机怎么了然多个字节表示一个标志,而不是个别表示四个记号呢?第三个难题是,大家已经精通,英文字母只用一个字节表示就够了,要是unicode统一规定,每个符号用四个或八个字节表示,那么每个英文字母前都自然有二到两个字节是0,那对于仓储来说是巨大的浪费,文本文件的尺寸会由此大出二三倍,那是力不从心承受的。

它们造成的结果是:1)出现了unicode的各类囤积格局,也就是说有为数不少种差异的二进制格式,可以用来表示unicode。2)unicode
在很长一段时间内不可能松开,直到互连网的面世。

5.UTF-8

互连网的普及,强烈必要出现一种统一的编码格局。UTF-8就是在互连网上行使最广的一种unicode的贯彻格局。其余完毕格局还蕴含UTF-
16和UTF-32,不过在网络上基本不用。再次四遍,那里的涉嫌是,UTF-8是Unicode的落到实处方式之一。

UTF-8最大的一个特征,就是它是一种变长的编码方式。它可以动用1~4个字节表示一个标志,依据分化的标记而变化字节长度。

UTF-8的编码规则很简单,唯有二条:

1)对于单字节的记号,字节的第四位设为0,后边7位为这么些标记的unicode码。由此对于保加俄克拉荷马城语字母,UTF-8编码和ASCII码是一律的。

2)对于n字节的标志(n>1),第四个字节的前n位都设为1,第n+1位设为0,后边字节的前两位一律设为10。剩下的没有提及的二进制位,全部为那么些标记的unicode码。

下表总计了编码规则,字母x表示可用编码的位。

Unicode符号范围 | UTF-8编码方式(十六进制) | (二进制)
——————–+———————————————
0000 0000-0000 007F | 0xxxxxxx 0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx 0001 0000-0010 FFFF |
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

下边,照旧以汉字“严”为例,演示怎么着促成UTF-8编码。

已知“严”的unicode是4E25(100111000100101),依照上表,能够发现4E25地处第三行的限量内(0000
0800-0000 FFFF),由此“严”的UTF-8编码须要四个字节,即格式是“1110xxxx
10xxxxxx
10xxxxxx”。然后,从“严”的尾声一个二进制位起始,依次从后迈入填入格式中的x,多出的位补0。那样就拿走了,“严”的UTF-8编码是
“11100100 10111000 10100101”,转换成十六进制就是E4B8A5。

6. Unicode与UTF-8之间的转换

经过上一节的事例,可以见到“严”的Unicode码是4E25,UTF-8编码是E4B8A5,两者是分裂的。它们中间的更换可以经进程序达成。

在Windows平台下,有一个最简便的转折方法,就是应用内置的记事本小程序Notepad.exe。打开文件后,点击“文件”菜单中的“另存为”命令,会跳出一个会话框,在最底部有一个“编码”的下拉条。

图片 16

其中有七个选项:ANSI,Unicode,Unicode
big endian 和 UTF-8。

1)ANSI是默许的编码格局。对于英文文件是ASCII编码,对于简体普通话文件是GB2312编码(只针对Windows简体普通话版,若是是繁体粤语版会接纳Big5码)。

2)Unicode编码指的是UCS-2编码格局,即直接用几个字节存入字符的Unicode码。那些选项用的little
endian格式。

3)Unicode big
endian编码与上一个挑选相对应。我在下一节会解释little endian和big
endian的涵义。

4)UTF-8编码,也就是上一节谈到的编码方法。

挑选完”编码形式“后,点击”保存“按钮,文件的编码形式就随即转换好了。

7. Little endian和Big endian

上一节早就涉及,Unicode码可以运用UCS-2格式间接存储。以汉字”严“为例,Unicode码是4E25,须要用三个字节存储,一个字节是4E,另一个字节是25。存储的时候,4E在前,25在后,就是Big
endian方式;25在前,4E在后,就是Little endian格局。

那五个奇怪的称呼来自英国女诗人Swift的《格列佛游记》。在该书中,小人国里爆发了内战,战争起因是大千世界争辩,吃鸡蛋时到底是从大头(Big-
Endian)敲开照旧从小头(Little-Endian)敲开。为了那件业务,前后暴发了六次大战,一个天王送了命,另一个天子丢了帝位。

因而,第四个字节在前,就是”大头格局“(Big
endian),第一个字节在前就是”小头情势“(Little endian)。

那就是说很自然的,就会晤世一个难点:总计机怎么知道某一个文件到底选择哪个种类方式编码?

Unicode规范中定义,每一个文本的最前边分别加入一个意味着编码顺序的字符,那几个字符的名字称为”零大幅度非换行空格“(ZERO
WIDTH NO-BREAK
SPACE),用FEFF表示。那刚好是多个字节,而且FF比FE大1。

借使一个文本文件的头多个字节是FE
FF,就象征该公文采取大头格局;若是头多个字节是FF
FE,就代表该文件接纳小头方式。

8. 实例

上边,举一个实例。

开拓”记事本“程序Notepad.exe,新建一个文本文件,内容就是一个”严“字,依次使用ANSI,Unicode,Unicode
big endian 和 UTF-8编码格局保留。

下一场,用文本编辑软件UltraEdit中
的”十六进制功用“,观望该公文的其中编码格局。

1)ANSI:文件的编码就是四个字节“D1
CF”,那多亏“严”的GB2312编码,那也暗示GB2312是选择大头形式存储的。

2)Unicode:编码是多少个字节“FF FE 25
4E”,其中“FF FE”注脚是小头情势存储,真正的编码是4E25。

3)Unicode big endian:编码是多个字节“FE
FF 4E 25”,其中“FE FF”声明是大洋格局存储。

4)UTF-8:编码是五个字节“EF BB BF E4 B8
A5”,前多少个字节“EF BB
BF”表示那是UTF-8编码,后两个“E4B8A5”就是“严”的具体编码,它的囤积顺序与编码顺序是相同的。

9. 拉开阅读

* The
Absolute Minimum Every Software Developer Absolutely, Positively Must
Know About Unicode and Character
Sets
  (关于字符集的最基本知识)

* 谈谈Unicode编码

* RFC3629:UTF- 8, a transformation format of ISO
10646
(如若达成UTF-8的规定)

相关文章