字符集其实很简单

image1

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&lt;、&gt;、&amp;。

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("&", "&amp;") # Must be done first!
    s = s.replace("<", "&lt;")
    s = s.replace(">", "&gt;")
    if quote:
        s = s.replace('"', "&quot;")
        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。