字符集其实很简单

字符集其实是个很简单的东西,但很多人当时看懂了,过了就忘了。

本篇文章的目的就是,不一定要把字符集的知识讲的有多深,但是一定要在工作上够用。

并且记得足够牢足够久。

工作中遇到的“词汇”,主要是ASCII、GB2312、GBK、Unicode、UTF-8,还有URL Encode、URL Escape。

编码和解码

编码,encode。

解码,decode。

编码,编成计算机能懂的码,二进制。

解码,解成人类能读懂的码,人语言。

想让计算机懂,你得编它。

想让人类能懂,你得解释。

字符代码和字符编码

字符代码就是序号,比如65。

字符编码二进制序列,比如01000001。

由于基本相同,所以我们平时就忽略了差异。

差异体现在哪呢?UTF-8。

字符集发展历史

美国,英文字母、标点符号字符、阿拉伯数字,ASCII。

欧洲,加入带重音的字符、希腊字母等,Latin-1。

中国!加入汉字! GB2312  。

加入生僻字、繁体字及日韩汉字等,GBK。

各说各的,乱码。

ISO国际标准化组织一统江湖,Unicode。

再编码,UTF-8。

因为Unicode需要遵循统一的存储,就造成了资源浪费,比如汉字和英文,占用的空间是不一样了。

为了支持这种差异,节约存储,高效传输,对Unicode进行了再编码,也就是UTF-8,也是用的最广泛的字符集之一。

URL Encode和URL Escape

Web服务器只允许URL中包含ASCII。

那怎么办?只有先encode成二进制,让服务器自己decode咯。

所以URL Encode后是“百分号+2位十六进制”的形式,比如%20。

需要Encode的包括

  • 非ASCII字符
  • ASCII控制字符,因为不可打印
  • 保留字符,如&,因为URL自身是用&分隔的,参数内容包括&的话就要Encode
  • 不安全字符,如空格,可能造成歧义

用Python来实际看看

from urllib.parse import urlencode

x = urlencode({"a": 1, "b": "a", "c": "汉", "d": " ", "e": "&"})
print(x)  # a=1&b=a&c=%E6%B1%89&d=+&e=%26

URL Escape,也就是URL转义,碰到最多的就是把<、>、&转成<、>、&。

Python html.escape函数,一切尽在代码中

def escape(s, quote=True):
    """
    Replace special characters "&", "<" and ">" to HTML-safe sequences.
    If the optional flag quote is true (the default), the quotation mark
    characters, both double quote (") and single quote (') characters are also
    translated.
    """
    s = s.replace("&", "&") # Must be done first!
    s = s.replace("<", "<")
    s = s.replace(">", ">")
    if quote:
        s = s.replace('"', """)
        s = s.replace('\'', "&#x27;")
    return s

有时候还会碰到被转成了\u003e、\u003c、\u0026,这是JSON序列化搞出来的Unicode。

简要回顾

本文首先讲了怎么记忆编码和解码,然后通过字符代码和字符编码的差异,引出了如今常用的UTF-8,接着从发展历史来看,字符集是怎么发展到现在的。最后解释了Web URL中容易混淆的2个概念,URL Encode和URL Escape。

当然,如果过了不久还是忘了,那么只有把这篇文章翻出来再看一遍了(手动滑稽)。

上一篇:脚本注入1(boolean&&get)


下一篇:java int和char之间的相互转换