[轉]URL漢字編碼問題（及亂碼解決）

 

 

1、問題的由來

URL就是網址，只要上網，就必定會用到。

通常來講，URL只能使用英文字母、阿拉伯數字和某些標點符號，不能使用其餘文字和符號。好比，世界上有英文字母的網址 「http://www.abc.com」，可是沒有希臘字母的網址「http://www.aβγ.com」（讀做阿爾法-貝塔-伽瑪.com）。這是由於網絡標準RFC 1738 作了硬性規定：

"...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."

「只有字母和數字[0-9a-zA-Z]、一些特殊符號「$-_.+!*'(),」[不包括雙引號]、以及某些保留字，才能夠不通過編碼直接用於 URL。」

這意味着，若是URL中有漢字，就必須編碼後使用。可是麻煩的是，RFC 1738沒有規定具體的編碼方法，而是交給應用程序（瀏覽器）本身決定。這致使「URL編碼」成爲了一個混亂的領域。

下面就讓咱們看看，「URL編碼」到底有多混亂。我會依次分析四種不一樣的狀況，在每一種狀況中，瀏覽器的URL編碼方法都不同。把它們的差別解釋清楚以後，我再說如何用Javascript找到一個統一的編碼方法。

2、狀況1：網址路徑中包含漢字

打開IE（我用的是8.0版），輸入網址「http://zh.wikipedia.org/wiki/春節 」。注意，「春節」這兩個字此時是網址路徑的一部分。

查看HTTP請求的頭信息，會發現IE實際查詢的網址是「http://zh.wikipedia.org/wiki/%E6%98%A5%E8%8A%82 」。也就是說，IE自動將「春節」編碼成了「%E6%98%A5%E8%8A%82」。

咱們知道，「春」和「節」的utf-8編碼分別是「E6 98 A5」和「E8 8A 82」，所以，「%E6%98%A5%E8%8A%82」就是按照順序，在每一個字節前加上%而獲得的。（具體的轉碼方法，請參考我寫的《字符編碼筆記》 。）

在Firefox中測試，也獲得了一樣的結果。因此，結論1就是，網址路徑的編碼，用的是utf-8編碼。

3、狀況2：查詢字符串包含漢字

在IE中輸入網址「http://www.baidu.com/s?wd=春節 」。注意，「春節」這兩個字此時屬於查詢字符串，不屬於網址路徑，不要與狀況1混淆。

查看HTTP請求的頭信息，會發現IE將「春節」轉化成了一個亂碼。

切換到十六進制方式，才能清楚地看到，「春節」被轉成了「B4 BA BD DA」。

咱們知道，「春」和「節」的GB2312編碼（個人操做系統「Windows XP」中文版的默認編碼）分別是「B4 BA」和「BD DA」。所以，IE實際上就是將查詢字符串，以GB2312編碼的格式發送出去。

Firefox的處理方法，略有不一樣。它發送的HTTP Head是「wd=%B4%BA%BD%DA」。也就是說，一樣採用GB2312編碼，可是在每一個字節前加上了%。

因此，結論2就是，查詢字符串的編碼，用的是操做系統的默認編碼。

4、狀況3：Get方法生成的URL包含漢字

前面說的是直接輸入網址的狀況，可是更常見的狀況是，在已打開的網頁上，直接用Get或Post方法發出HTTP請求。

根據臺灣中興大學呂瑞麟老師的試驗 ，這時的編碼方法由網頁的編碼決定，也就是由HTML源碼中字符集的設定決定。

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

若是上面這一行最後的charset是UTF-8，則URL就以UTF-8編碼；若是是GB2312，URL就以GB2312編碼。

舉例來講，百度是GB2312編碼，Google是UTF-8編碼。所以，從它們的搜索框中搜索同一個詞「春節」，生成的查詢字符串是不同的。

百度生成的是%B4%BA%BD%DA，這是GB2312編碼。

Google生成的是%E6%98%A5%E8%8A%82，這是UTF-8編碼。

因此，結論3就是，GET和POST方法的編碼，用的是網頁的編碼。

5、狀況4：Ajax調用的URL包含漢字

前面三種狀況都是由瀏覽器發出HTTP請求，最後一種狀況則是由Javascript生成HTTP請求，也就是Ajax調用。仍是根據呂瑞麟老師的文章，在這種狀況下，IE和Firefox的處理方式徹底不同。

舉例來講，有這樣兩行代碼：

　　url = url + "?q=" +document.myform.elements[0].value; // 假定用戶在表單中提交的值是「春節」這兩個字

　　http_request.open('GET', url, true);

那麼，不管網頁使用什麼字符集，IE傳送給服務器的老是「q=%B4%BA%BD%DA」，而Firefox傳送給服務器的老是「q=%E6%98 %A5%E8%8A%82」。也就是說，在Ajax調用中，IE老是採用GB2312編碼（操做系統的默認編碼），而Firefox老是採用utf-8編碼。這就是咱們的結論4。

6、Javascript函數：escape()

好了，到此爲止，四種狀況都說完了。

假定前面你都看懂了，那麼此時你應該會感到很頭痛。由於，實在太混亂了。不一樣的操做系統、不一樣的瀏覽器、不一樣的網頁字符集，將致使徹底不一樣的編碼結果。若是程序員要把每一種結果都考慮進去，是否是太恐怖了？有沒有辦法，可以保證客戶端只用一種編碼方法向服務器發出請求？

回答是有的，就是使用Javascript先對URL編碼，而後再向服務器提交，不要給瀏覽器插手的機會。由於Javascript的輸出老是一致的，因此就保證了服務器獲得的數據是格式統一的。

Javascript語言用於編碼的函數，一共有三個，最古老的一個就是escape()。雖然這個函數如今已經不提倡使用了，可是因爲歷史緣由，不少地方還在使用它，因此有必要先從它講起。

實際上，escape()不能直接用於URL編碼，它的真正做用是返回一個字符的Unicode編碼值。好比「春節」的返回結果是%u6625%u8282，也就是說在Unicode字符集中，「春」是第6625個（十六進制）字符，「節」是第8282個（十六進制）字符。

它的具體規則是，除了ASCII字母、數字、標點符號「@ * _ + - . /」之外，對其餘全部字符進行編碼。在\u0000到\u00ff之間的符號被轉成%xx的形式，其他符號被轉成%uxxxx的形式。對應的解碼函數是 unescape()。

因此，「Hello World」的escape()編碼就是「Hello%20World」。由於空格的Unicode值是20（十六進制）。

還有兩個地方須要注意。

首先，不管網頁的原始編碼是什麼，一旦被Javascript編碼，就都變爲unicode字符。也就是說，Javascipt函數的輸入和輸出，默認都是Unicode字符。這一點對下面兩個函數也適用。

其次，escape()不對「+」編碼。可是咱們知道，網頁在提交表單的時候，若是有空格，則會被轉化爲+字符。服務器處理數據的時候，會把+號處理成空格。因此，使用的時候要當心。

7、Javascript函數：encodeURI()

encodeURI()是Javascript中真正用來對URL編碼的函數。

它着眼於對整個URL進行編碼，所以除了常見的符號之外，對其餘一些在網址中有特殊含義的符號「; / ? : @ & = + $ , #」，也不進行編碼。編碼後，它輸出符號的utf-8形式，而且在每一個字節前加上%。

它對應的解碼函數是decodeURI()。

須要注意的是，它不對單引號'編碼。

8、Javascript函數：encodeURIComponent()

最後一個Javascript編碼函數是encodeURIComponent()。與encodeURI()的區別是，它用於對URL的組成部分進行個別編碼，而不用於對整個URL進行編碼。

所以，「; / ? : @ & = + $ , #」，這些在encodeURI()中不被編碼的符號，在encodeURIComponent()中通通會被編碼。至於具體的編碼方法，二者是同樣。

它對應的解碼函數是decodeURIComponent()。

PS1 ：

網頁裏的form編碼其實不徹底取決於網頁編碼，form標記中有一個accept-charset屬性，在非ie瀏覽器種，若是將其賦值(好比 accept-charset="UTF-8")，則表單會按照這個值表示的編碼方式進行提交。 在ie下，個人兼容解決辦法是： form1.onsubmit=function(){ document.charset=this.getAttribute('accept-charset'); }

PS2 ：字符編碼筆記：ASCII，Unicode和 UTF-8

1. ASCII碼

咱們知道，在計算機內部，全部的信息最終都表示爲一個二進制的字符串。每個二進制位（bit）有0和1兩種狀態，所以八個二進制位就能夠組合出 256種狀態，這被稱爲一個字節（byte）。也就是說，一個字節一共能夠用來表示256種不一樣的狀態，每個狀態對應一個符號，就是256個符號，從 0000000到11111111。

上個世紀60年代，美國製定了一套字符編碼，對英語字符與二進制位之間的關係，作了統一規定。這被稱爲ASCII碼，一直沿用至今。

ASCII碼一共規定了128個字符的編碼，好比空格「SPACE」是32（二進制00100000），大寫的字母A是65（二進制 01000001）。這128個符號（包括32個不能打印出來的控制符號），只佔用了一個字節的後面7位，最前面的1位統一規定爲0。

二、非ASCII編碼

英語用128個符號編碼就夠了，可是用來表示其餘語言，128個符號是不夠的。好比，在法語中，字母上方有注音符號，它就沒法用ASCII碼錶示。因而，一些歐洲國家就決定，利用字節中閒置的最高位編入新的符號。好比，法語中的é的編碼爲130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，能夠表示最多256個符號。

可是，這裏又出現了新的問題。不一樣的國家有不一樣的字母，所以，哪怕它們都使用256個符號的編碼方式，表明的字母卻不同。好比，130在法語編碼中表明瞭é，在希伯來語編碼中卻表明了字母Gimel (ג)，在俄語編碼中又會表明另外一個符號。可是無論怎樣，全部這些編碼方式中，0—127表示的符號是同樣的，不同的只是128—255的這一段。

至於亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節只能表示256種符號，確定是不夠的，就必須使用多個字節表達一個符號。好比，簡體中文常見的編碼方式是GB2312，使用兩個字節表示一個漢字，因此理論上最多能夠表示256x256=65536個符號。

中文編碼的問題須要專文討論，這篇筆記不涉及。這裏只指出，雖然都是用多個字節表示一個符號，可是GB類的漢字編碼與後文的Unicode和 UTF-8是毫無關係的。

3.Unicode

正如上一節所說，世界上存在着多種編碼方式，同一個二進制數字能夠被解釋成不一樣的符號。所以，要想打開一個文本文件，就必須知道它的編碼方式，不然用錯誤的編碼方式解讀，就會出現亂碼。爲何電子郵件經常出現亂碼？就是由於發信人和收信人使用的編碼方式不同。

能夠想象，若是有一種編碼，將世界上全部的符號都歸入其中。每個符號都給予一個獨一無二的編碼，那麼亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種全部符號的編碼。

Unicode固然是一個很大的集合，如今的規模能夠容納100多萬個符號。每一個符號的編碼都不同，好比，U+0639表示阿拉伯字母 Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字「嚴」。具體的符號對應表，能夠查詢unicode.org  ，或者專門的漢字對應表 。

4. Unicode的問題

須要注意的是，Unicode只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。

好比，漢字「嚴」的unicode是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說這個符號的表示至少須要2個字節。表示其餘更大的符號，可能須要3個字節或者4個字節，甚至更多。

這裏就有兩個嚴重的問題，第一個問題是，如何才能區別unicode和ascii？計算機怎麼知道三個字節表示一個符號，而不是分別表示三個符號呢？第二個問題是，咱們已經知道，英文字母只用一個字節表示就夠了，若是unicode統一規定，每一個符號用三個或四個字節表示，那麼每一個英文字母前都必然有二到三個字節是0，這對於存儲來講是極大的浪費，文本文件的大小會所以大出二三倍，這是沒法接受的。

它們形成的結果是：1）出現了unicode的多種存儲方式，也就是說有許多種不一樣的二進制格式，能夠用來表示unicode。2）unicode 在很長一段時間內沒法推廣，直到互聯網的出現。

5.UTF-8

互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在互聯網上使用最廣的一種unicode的實現方式。其餘實現方式還包括UTF- 16和UTF-32，不過在互聯網上基本不用。重複一遍，這裏的關係是，UTF-8是Unicode的實現方式之一。

UTF-8最大的一個特色，就是它是一種變長的編碼方式。它可使用1~4個字節表示一個符號，根據不一樣的符號而變化字節長度。

UTF-8的編碼規則很簡單，只有二條：

1）對於單字節的符號，字節的第一位設爲0，後面7位爲這個符號的unicode碼。所以對於英語字母，UTF-8編碼和ASCII碼是相同的。

2）對於n字節的符號（n>1），第一個字節的前n位都設爲1，第n+1位設爲0，後面字節的前兩位一概設爲10。剩下的沒有說起的二進制位，所有爲這個符號的unicode碼。

下表總結了編碼規則，字母x表示可用編碼的位。

Unicode符號範圍 | UTF-8編碼方式 (十六進制) | （二進制） --------------------+--------------------------------------------- 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

下面，仍是以漢字「嚴」爲例，演示如何實現UTF-8編碼。

已知「嚴」的unicode是4E25（100111000100101），根據上表，能夠發現4E25處在第三行的範圍內（0000 0800-0000 FFFF），所以「嚴」的UTF-8編碼須要三個字節，即格式是「1110xxxx 10xxxxxx 10xxxxxx」。而後，從「嚴」的最後一個二進制位開始，依次從後向前填入格式中的x，多出的位補0。這樣就獲得了，「嚴」的UTF-8編碼是 「11100100 10111000 10100101」，轉換成十六進制就是E4B8A5。

6. Unicode與UTF-8之間的轉換

經過上一節的例子，能夠看到「嚴」的Unicode碼是4E25，UTF-8編碼是E4B8A5，二者是不同的。它們之間的轉換能夠經過程序實現。

在Windows平臺下，有一個最簡單的轉化方法，就是使用內置的記事本小程序Notepad.exe。打開文件後，點擊「文件」菜單中的「另存爲」命令，會跳出一個對話框，在最底部有一個「編碼」的下拉條。

裏面有四個選項：ANSI，Unicode，Unicode big endian 和 UTF-8。

1）ANSI是默認的編碼方式。對於英文文件是ASCII編碼，對於簡體中文文件是GB2312編碼（只針對Windows簡體中文版，若是是繁體中文版會採用Big5碼）。

2）Unicode編碼指的是UCS-2編碼方式，即直接用兩個字節存入字符的Unicode碼。這個選項用的little endian格式。

3）Unicode big endian編碼與上一個選項相對應。我在下一節會解釋little endian和big endian的涵義。

4）UTF-8編碼，也就是上一節談到的編碼方法。

選擇完」編碼方式「後，點擊」保存「按鈕，文件的編碼方式就馬上轉換好了。

7. Little endian和Big endian

上一節已經提到，Unicode碼能夠採用UCS-2格式直接存儲。以漢字」嚴「爲例，Unicode碼是4E25，須要用兩個字節存儲，一個字節是4E，另外一個字節是25。存儲的時候，4E在前，25在後，就是Big endian方式；25在前，4E在後，就是Little endian方式。

這兩個古怪的名稱來自英國做家斯威夫特的《格列佛遊記》。在該書中，小人國裏爆發了內戰，戰爭原由是人們爭論，吃雞蛋時到底是從大頭(Big- Endian)敲開仍是從小頭(Little-Endian)敲開。爲了這件事情，先後爆發了六次戰爭，一個皇帝送了命，另外一個皇帝丟了王位。

所以，第一個字節在前，就是」大頭方式「（Big endian），第二個字節在前就是」小頭方式「（Little endian）。

那麼很天然的，就會出現一個問題：計算機怎麼知道某一個文件到底採用哪種方式編碼？

Unicode規範中定義，每個文件的最前面分別加入一個表示編碼順序的字符，這個字符的名字叫作」零寬度非換行空格「（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。這正好是兩個字節，並且FF比FE大1。

若是一個文本文件的頭兩個字節是FE FF，就表示該文件採用大頭方式；若是頭兩個字節是FF FE，就表示該文件採用小頭方式。

8. 實例

下面，舉一個實例。

打開」記事本「程序Notepad.exe，新建一個文本文件，內容就是一個」嚴「字，依次採用ANSI，Unicode，Unicode big endian 和 UTF-8編碼方式保存。

而後，用文本編輯軟件UltraEdit中 的」十六進制功能「，觀察該文件的內部編碼方式。

1）ANSI：文件的編碼就是兩個字節「D1 CF」，這正是「嚴」的GB2312編碼，這也暗示GB2312是採用大頭方式存儲的。

2）Unicode：編碼是四個字節「FF FE 25 4E」，其中「FF FE」代表是小頭方式存儲，真正的編碼是4E25。

3）Unicode big endian：編碼是四個字節「FE FF 4E 25」，其中「FE FF」代表是大頭方式存儲。

4）UTF-8：編碼是六個字節「EF BB BF E4 B8 A5」，前三個字節「EF BB BF」表示這是UTF-8編碼，後三個「E4B8A5」就是「嚴」的具體編碼，它的存儲順序與編碼順序是一致的。

9. 延伸閱讀

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

* 談談Unicode編碼

* RFC3629：UTF- 8, a transformation format of ISO 10646 （若是實現UTF-8的規定）