|
这几天研究UTF-8编码，太晕了，把我的看法和各位讨论讨论。 欢迎来批啊。以下都是我的想法，哪里有不对的请不吝赐教，帮忙指出来。 ========================================================== 相关的题外话： 一、操作系统 window系统内部都是unicode的。文件夹名，文件名等都是unicode的，任何语言系统下都能正常显示。 二、输入法： 微软拼音输出的是Unicode的，智能ABC输出是简体中文的（所以智能ABC在非简体中文系统根本不能用，只能打英文）。 三、网页的textarea 网页的textarea是用unicode显示的。所以往里打什么字都能显示。而一些flash做的输入框就不行了。 四、Access2000 access里面保存的数据是unicode的，在任何语言系统下都能显示。 如果数据视图查看有些字符不正常，那是因为显示所用的字体不是Unicode字体， 换用Arial Unicode MS 字体就能全部显示了。（access帮助，搜索，输入unicode，有说明） 五、Word word里的繁简转换，简体转换到繁体后，内码仍是简体中文的，其实只是简体中的繁体字。 六、ASP内部是Unicode的，所有文本都是Unicode存储的。需要时转换到指定字符集。 ======================================================= 首先说下结论： <%@ codepage=936%>简体中文 <%@ codepage=950%>繁体中文 <%@ codepage=65001%>UTF-8 codepage指定了IIS按什么编码读取传递过来的串串（表单提交，地址栏传递等）。 也指定了所有文本变量从Unicode转换到的编码， 也就指定了从数据库取出的数据从Unicode转换到的编码。（注意这个，很重要。） 关键字： 读取：一个串串，按简体读取是一些字，按繁体读取是一些字，串串本身编码没有变。 转换：系统主动的转换，比如从Unicode的“化”字到Big5的“化”字，内码变成Big5的。如果Big5没有对应的字，保留Unicode形式（&#xxxx;） 简体中文：化六个结论 Unicode16进制形式：化六个结论 Unicode10进制形式：化六个结论 下面是我推测出来的编码转换的过程： 客户端：输入法Unicode--输入框unicode--从Unicode按charset转换到对应编码()--表单发送编码 服务器端：IIS解开表单编码--按codepage指定编码读取--转换到对应的Unicode--可以用request("")读取了--进行一些处理--以Unicode编码保存到数据库 服务器端：读取数据库的Unicode数据，转换到codepage指定编码---生成源代码--IE按charset读取显示。 下面举例说明： 例一： 假设有三个asp页面，典型的留言页面： 1. write.asp 简单的输入表单，提交到add.asp。 <META http-equiv="Content-Type" content="text/html; charset=big5"> 2. add.asp 接收留言，保存到数据库 <%@ codepage=936%> 3. read.asp 从数据库取得留言，显示。 <%@ codepage=936%> charset=GB2312 或 <%@ codepage=950%> charset=big5 大家可以猜一猜，我在write.asp里用微软拼音输入法输入“化六个讨论”。最后在read.asp里会显示什么样？ 是不是晕了。让我们从头分析。  例二： 把例一的add.asp的<%@ codepage=936%>改为<%@ codepage=950%>，又会怎么样呢？  到这里发现了什么？ 1．如果输入的文字和Charset对应的不同，一转换，就可能出现Unicode形式的字了。这里就是原因所在。以后整个过程都保留着。 2．Add.asp里codepage决定了保存到数据库的文字，用的是哪个语言对应的Unicode.如codepage=936， 那么数据库保存的就是简体中文的Unicode（数据库拿回简体中文系统，一切正常的）， codepage=950保存的就是繁体中文的Unicode.（拿回简体中文系统，就不对了）。 3．注意一下串串的变化过程： -------------------------------------------------------------------- 1) 输入法---Charset Unicode----指定字符集的映射 2) Charset----表单编码 串串简单编码 3) 表单解码 上步的逆过程，两步抵消了。 4) 串串à按codepage读取 串串没变，这步有可能“误会读取” 5) 转为对应的Unicode Codepage指定字符集----Unicode映射 6) 中间处理，进数据库 无变化，直接以Unicode形式进入 7) 8) 按codepage读取数据库 Unicode----codepage指定字符集的映射 9) 显示，按Charset指定字符集读取 串串没变。 ------------------------------------------------------------------------------- 以例一说明：  例二：  ============================================= 晕了。现在来用用知识。 案例1。 简体中文系统下跑的好好的代码，放到国外空间上，数据库里乱码，原有的数据也乱码。 分析：因为大多数人平时用的都是简体中文系统，默认的codepage=936，所以平时大家不写也没有关系。 但到了国外空间问题就出来了。从数据库里的Unicode转换到英文编码去了，所以数据库原有的简体中文转换到英文后，按GB显示自然乱码。 如图，新输入的文字显示正常，但数据库里保存的是英文的Unicode的。 解决方法：全部加上<%@codepage=936即可%>。 全程只有简体中文与对应Unicode间的转换。  案例二： 简体中文的代码和数据，想转为完全的繁体版，该怎么办？ 分析：1。代码文件编码全部改为Big5的，文件本身保存编码选繁体。 2．<%@ codepage=950 %> 3.Charset=big5 4.access版本无所谓，因为access里的数据是Unicode的。 5.好了，代码可以在纯繁体系统下跑了。 6.遗留问题：原有的简体中文数据读出会有一些问号。效果同例一的950读取，big5显示。因为从简体中文的Unicode转换到繁体中文了，有些字繁体中没有，就会出问号。 7.解决：用一个临时asp页，codepage=65001，读出为简体中文的Unicode，用一个Unicode->Big5的函数，转为繁体中文，然后写回数据库，应该行了吧？ 案例三： 简体中文的代码和数据库，想转为完全的UTF-8版，怎么办？ 分析：1。代码文件编码全部改为UTF-8的，文件本身保存编码选UTF8。 2．<%@ codepage=65001 %> 3.Charset=UTF-8 4.access版本无所谓，因为access里的数据是Unicode的。 5.OK，没有任何遗留问题。原有的简体中文也会正常显示。因为数据库里是Unicode的，按Unicode读出没有任何转换。自然不会乱码。看来转到UTF-8还是很简单的。 ============================================= 案例完全是我按照理论推导出来了，未经证实。 有类似经历的欢迎批评指正。 (责任编辑：admin) |