中文编码问题

中文编码处理蔡啸 2011/9/15

提纲引子基本概念实际应用

引子乱码是一个很烦人的，而且历史悠久的问题。从很遥远的时代这个问题就已经存在了。比如：

基本概念(一) 字符集: 一组具有共同特征抽象字符的集合 GBK：大陆使用的中文字符集标准 CJK：中日韩统一表意文字 UNICODE:万国码(6.0支持 109449个字符) 17个语言平面（每个平面65536个字符) Plane0，亦称为BMP

基本概念(二) 字符编码:字符和二进制内码的对应码表 ASCII: 最古老的字符编码，用于支持英文字符、数字和基本的控制字符 UTF8 ,[object Object],UCS 4/ 32位表示

实际应用(python) 普通字符串 unicode字符串注: 2.x版本的字符串的编码是系统相关的比如: >>> s = "蔡啸" 'b2ccd0a5’ #windows 'e894a1e595b8’ #linux

实际应用(JavaScript) JavaScript内部使用unicode表示字符有用的字符编码函数: escape //获取字符的unicode表示 encodeURI // 获取字符的utf-8表示

实际应用(HTML) 浏览器中如何确定页面的字符编码？ http头中的Content-Type html页面中的meta标签中指定charset 页面正文数据（浏览器可以解析正文二进制码来判断编码）另外两个因素：浏览器默认编码操作系统语言类型

实际应用(URL) URL的规范: RFC1738 URL必须由英文字母，数字和某些标点符号组成当在URL中包含中文字符时，浏览器会对其进行编码在地址栏里输入: http://www.google.com.hk/search?q=蔡啸

总结要点： windows下中文默认为GBK编码 linux下中文一般为UTF8编码 ,[object Object],[object Object]

Recommended