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('\'', "'") 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)。