UTF-8编码研究_access开发心得-access编程经验-access经验之谈

当前位置：主页 > 技巧 > Access技巧 > 编程心得绝招 > 经验泛谈 > 正文

UTF-8编码研究

时间：2005-04-20 12:09 来源：blueidea 作者：萧萧小雨阅读：次

这几天研究UTF-8编码，太晕了，把我的看法和各位讨论讨论。
欢迎来批啊。以下都是我的想法，哪里有不对的请不吝赐教，帮忙指出来。
==========================================================
相关的题外话：
一、操作系统
window系统内部都是unicode的。文件夹名，文件名等都是unicode的，任何语言系统下都能正常显示。
二、输入法：
微软拼音输出的是Unicode的，智能ABC输出是简体中文的（所以智能ABC在非简体中文系统根本不能用，只能打英文）。
三、网页的textarea
网页的textarea是用unicode显示的。所以往里打什么字都能显示。而一些flash做的输入框就不行了。
四、access2000
access里面保存的数据是unicode的，在任何语言系统下都能显示。
如果数据视图查看有些字符不正常，那是因为显示所用的字体不是Unicode字体，
换用Arial Unicode MS 字体就能全部显示了。（access帮助，搜索，输入unicode，有说明）
五、Word
word里的繁简转换，简体转换到繁体后，内码仍是简体中文的，其实只是简体中的繁体字。
六、ASP内部是Unicode的，所有文本都是Unicode存储的。需要时转换到指定字符集。
=======================================================
首先说下结论：
<%@ codepage=936%>简体中文
<%@ codepage=950%>繁体中文
<%@ codepage=65001%>UTF-8

codepage指定了IIS按什么编码读取传递过来的串串（表单提交，地址栏传递等）。
也指定了所有文本变量从Unicode转换到的编码，
也就指定了从数据库取出的数据从Unicode转换到的编码。（注意这个，很重要。）

关键字：
读取：一个串串，按简体读取是一些字，按繁体读取是一些字，串串本身编码没有变。
转换：系统主动的转换，比如从Unicode的“化”字到Big5的“化”字，内码变成Big5的。如果Big5没有对应的字，保留Unicode形式（&#xxxx;）

简体中文：化六个结论
Unicode16进制形式：化六个结论
Unicode10进制形式：化六个结论

下面是我推测出来的编码转换的过程：
客户端：输入法Unicode--输入框unicode--从Unicode按charset转换到对应编码()--表单发送编码

服务器端：IIS解开表单编码--按codepage指定编码读取--转换到对应的Unicode--可以用request("")读取了--进行一些处理--以Unicode编码保存到数据库

服务器端：读取数据库的Unicode数据，转换到codepage指定编码---生成源代码--IE按charset读取显示。

下面举例说明：
例一：
假设有三个asp页面，典型的留言页面：
1.    write.asp 简单的输入表单，提交到add.asp。
<META http-equiv="Content-Type" content="text/html; charset=big5">
2.    add.asp 接收留言，保存到数据库
<%@ codepage=936%>
3.    read.asp 从数据库取得留言，显示。
<%@ codepage=936%> charset=GB2312 或
<%@ codepage=950%> charset=big5

大家可以猜一猜，我在write.asp里用微软拼音输入法输入“化六个讨论”。最后在read.asp里会显示什么样？
是不是晕了。让我们从头分析。

例二：
把例一的add.asp的<%@ codepage=936%>改为<%@ codepage=950%>，又会怎么样呢？

到这里发现了什么？
1．如果输入的文字和Charset对应的不同，一转换，就可能出现Unicode形式的字了。这里就是原因所在。以后整个过程都保留着。
2．Add.asp里codepage决定了保存到数据库的文字，用的是哪个语言对应的Unicode.如codepage=936，
那么数据库保存的就是简体中文的Unicode（数据库拿回简体中文系统，一切正常的），
codepage=950保存的就是繁体中文的Unicode.（拿回简体中文系统，就不对了）。
3．注意一下串串的变化过程：
--------------------------------------------------------------------
1)    输入法---Charset    Unicode----指定字符集的映射
2)    Charset----表单编码    串串简单编码
3)    表单解码    上步的逆过程，两步抵消了。
4)    串串à按codepage读取    串串没变，这步有可能“误会读取”
5)    转为对应的Unicode    Codepage指定字符集----Unicode映射
6)    中间处理，进数据库    无变化，直接以Unicode形式进入
7)
8)    按codepage读取数据库     Unicode----codepage指定字符集的映射
9)    显示，按Charset指定字符集读取    串串没变。
-------------------------------------------------------------------------------
以例一说明：

例二：

=============================================
晕了。现在来用用知识。

案例1。
简体中文系统下跑的好好的代码，放到国外空间上，数据库里乱码，原有的数据也乱码。
分析：因为大多数人平时用的都是简体中文系统，默认的codepage=936，所以平时大家不写也没有关系。
但到了国外空间问题就出来了。从数据库里的Unicode转换到英文编码去了，所以数据库原有的简体中文转换到英文后，按GB显示自然乱码。
如图，新输入的文字显示正常，但数据库里保存的是英文的Unicode的。
解决方法：全部加上<%@codepage=936即可%>。
全程只有简体中文与对应Unicode间的转换。

案例二：
简体中文的代码和数据，想转为完全的繁体版，该怎么办？
分析：1。代码文件编码全部改为Big5的，文件本身保存编码选繁体。
2．<%@ codepage=936 %>
3.Charset=big5
4.access版本无所谓，因为access里的数据是Unicode的。
5.好了，代码可以在纯繁体系统下跑了。
6.遗留问题：原有的简体中文数据读出会有一些问号。效果同例一的950读取，big5显示。因为从简体中文的Unicode转换到繁体中文了，有些字繁体中没有，就会出问号。
7.解决：用一个临时asp页，codepage=65001，读出为简体中文的Unicode，用一个Unicode->Big5的函数，转为繁体中文，然后写回数据库，应该行了吧？
案例三：
简体中文的代码和数据库，想转为完全的UTF-8版，怎么办？
分析：1。代码文件编码全部改为UTF-8的，文件本身保存编码选UTF8。
2．<%@ codepage=65001 %>
3.Charset=UTF-8
4.access版本无所谓，因为access里的数据是Unicode的。
5.OK，没有任何遗留问题。原有的简体中文也会正常显示。因为数据库里是Unicode的，按Unicode读出没有任何转换。自然不会乱码。看来转到UTF-8还是很简单的。
=============================================
案例完全是我按照理论推导出来了，未经证实。
有类似经历的欢迎批评指正。

文件保存编码和codepage之间的关系

结论：
codepage指定了IIS按什么编码读取源文件。如果codepage和源文件的实际编码相同，则读取正确，否则就会乱码。有时还会报编译错误，大概意思是无效字符吧。

题外话：
1．一个文件保存格式为GB2312，那么你在编辑的时候，不论是用输入法输入的，还是copy粘贴的，所有的字都会转为GB2312编码。
2．象Mid,Left,Chr,Instr等函数都是面向Unicode形式变量的，他们的入口和出口参数都是unicode形式的，也就是说，进入时从Unicode转为对应编码，出来时转回Unicode。

试验过程：
假设文件a.asp，保存编码格式为GB2312，输入：帳票マッ（日文输入法输入），自动变为GB2312编码的，但因为GB2312字库中有日文，所以显示正常。
上面四个字如果按日文Shift-JIS编码查看，则是：（图片，否则后面三个是空白）。

--A--
.asp中有代码：
---------------------
<%@codepage=936%>
aa="帳票マッ"
response.write aa
-------------------------
输出结果，按charset=GB2312查看为：帳票マッ
按charset=Shift-JIS查看为：
如果codepage=932，输出按charset=GB2312查看为：帳票マッ
按charset=Shift-JIS查看为：

过程分析：IIS编译器按936简体中文读取源文件，把“帳票マッ”转为对应的Unicode编码，赋值给变量aa，也就是说LenB(aa)=8。
Response.write输出的时候，从Unicode形式转换到对应的936简体中文编码，输出为html，发送给浏览器，浏览器按charset显示。

--B--
如果把文件的保存编码换为Shift-JIS，注意四个文字要重新输入。保存的是Shift-JIS编码。
<% @codepage=936 %>输出结果，
按charset=GB2312查看为：挔昜儅僢
按shift-jis查看为：帳票マッ
<% @codepage=932 %>输出结果，
按charset=GB2312查看为：挔昜儅僢
按shift-jis查看为：帳票マッ

总结：
GB—按GB读取—对应的Unicode—转回GB—按GB2312查看，正常。
GB—按GB读取—对应的Unicode—转回GB—按Shift-JIS查看，不正常。
GB—按Shift-JIS读取—对应的Unicode—转回Shift-JIS—按GB2312查看，正常。
GB—按Shift-JIS读取—对应的Unicode—转回Shift-JIS—按Shift-JIS查看，不正常。

Shift-JIS---按GB读取—对应的Unicode---转回GB—按GB2312查看，不正常。
Shift-JIS---按GB读取—对应的Unicode---转回GB—按Shift-JIS查看，正常。
Shift-JIS---按Shift-JIS读取—对应的Unicode---转回Shift-JIS—按GB2312查看，不正常。
Shift-JIS---按Shift-JIS读取—对应的Unicode---转回Shift-JIS—按Shift-JIS查看，正常。

可以看出，ASP中的处理是对称的，所以对于直接输出和简单处理的文字，codepage设置为什么都没有影响，只要文件的编码和最终显示的charset相同，那么就会正常显示。

不会出现乱码。
因为简体中文字库>繁体字库，所以繁体转换到简体时，总是能找到对应的字，
程序接收的已经是简体Unicode的了，数据库里的数据都不会乱码，后面读取显示自然没有问题。
==============================
而如果是繁体的代码，charset=big5的话，输入简体中文，就有出现乱码的可能。
因为简体-->繁体的转换，就可能没有字对应。
========================================
陈桥输出的繁体字是纯繁体内码的吧？
如果是，那么数据库里应该是对应的简体字的，
输入简体字检索应该可以检索到的。
====================
你先都加上codepage看看吧。

(责任编辑：admin)

顶一下

(2)

100%

踩一下

(0)

上一篇：新手获取帮助的几个途径
下一篇：如何把字符串传送到系统剪贴板？