今天,用javascript腳本做了一個ASP.NET頁面中的選單工具,儲存為menuScript.js. 在頁面中用<script language="javascript" src="../js/MenuScript.js"></script >呼叫, 結果在運行中奇怪的現象發生了:頁面中的漢字正常顯示,可菜單中的漢字卻顯示為亂碼。
不用問,用膝蓋想一想也是編碼出了問題在該頁面的“查看”-“編碼”選項中切換utf-8和GB2312兩種編碼,結果頁面中的漢字和菜單中的漢字交替變為亂碼
解決方法:設定檔中有編碼設定:<globalization requestEncoding="utf-8" responseEncoding="utf-8" />
menuScript.js檔案儲存時有編碼選項(可用Word開啟此檔案再另存,選擇編碼),只需保持這兩處編碼一樣即可。
為了更好的了解程式設計問題,在CSDN中找到了一篇這方面的文章,作者:fmddlmyy。在此轉載一下,以供參考:
談編碼談編碼#region 談編碼
/**//*
0、big endian和little endian
big endian和little endian是CPU處理多位元組數的不同方式。例如「漢」字的Unicode編碼是6C49。那麼寫到文件裡時,究竟是將6C寫在前面,還是將49寫在前面?如果將6C寫在前面,就是big endian。還是將49寫在前面,就是little endian。
「endian」這個字出自《格列佛遊記》。小人國的內戰就源於吃雞蛋時是究竟從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開,由此曾發生過六次叛亂,其中一個皇帝送了命,另一個丟了王位。
我們一般將endian翻譯成“字節序”,將big endian和little endian稱為“大尾”和“小尾”。
1.字元編碼、內碼,順帶介紹漢字編碼字元必須編碼後才能被電腦處理。計算機使用的預設編碼方式就是計算機的內碼。早期的電腦使用7位元的ASCII編碼,為了處理漢字,程式設計師設計了用於簡體中文的GB2312和用於繁體中文的big5。
GB2312(1980年)總共收錄了7445個字符,包括6763個漢字和682個其它符號。漢字區的內碼範圍高位元組從B0-F7,低位元組從A1-FE,佔用的碼位是72*94=6768。其中有5個空位是D7FA-D7FE。
GB2312支援的漢字太少。 1995年的漢字擴充規範GBK1.0收錄了21886個符號,它分為漢字區和圖形符號區。漢字區包括21003個字元。 2000年的GB18030是取代GBK1.0的正式國家標準。該標準收錄了27484個漢字,同時也收錄了藏文、蒙文、維吾爾文等主要的少數民族文字。現在的PC平台必須支援GB18030,對嵌入式產品暫不作要求。所以手機、MP3一般只支援GB2312。
從ASCII、GB2312、GBK到GB18030,這些編碼方法是向下相容的,即同一個字元在這些方案中總是有相同的編碼,後面的標準支援更多的字元。在這些編碼中,英文和中文可以統一地處理。區分中文編碼的方法是高位元組的最高位元不為0。依照程式設計師的稱呼,GB2312、GBK到GB18030都屬於雙位元組字元集(DBCS)。
有的中文Windows的預設內碼還是GBK,可以透過GB18030升級套件升級到GB18030。不過GB18030相對GBK增加的字符,一般人是很難用到的,通常我們還是用GBK指中文Windows內碼。
這裡還有一些細節:
GB2312的原文還是區位碼,從區位碼到內碼,需要在高位元組和低位元組上分別加上A0。
在DBCS中,GB內碼的儲存格式始終是big endian,也就是高位在前。
GB2312的兩個位元組的最高位元都是1。但符合這個條件的碼位只有128*128=16384個。所以GBK和GB18030的低位元組最高位元都可能不是1。不過這不影響DBCS字元流的解析:在讀取DBCS字元流時,只要遇到高位元為1的字節,就可以將下兩個位元組當作一個雙位元組編碼,而不用管低位元組的高位是什麼。
2、Unicode、UCS和UTF
前面提到從ASCII、GB2312、GBK到GB18030的編碼方法是向下相容的。而Unicode只與ASCII相容(更精確地說,是與ISO-8859-1相容),與GB碼不相容。例如「漢」字的Unicode編碼是6C49,而GB碼是BABA。
Unicode也是一種字元編碼方法,不過它是由國際組織設計,可以容納全世界所有語言文字的編碼方案。 Unicode的學名是"Universal Multiple-Octet Coded Character Set",簡稱為UCS。 UCS可以看成是"Unicode Character Set"的縮寫。
根據維基百科全書( http://zh.wikipedia.org/wiki/ )的記載:歷史上存在兩個試圖獨立設計Unicode的組織,即國際標準化組織(ISO)和一個軟體製造商的協會(unicode. org)。 ISO開發了ISO 10646項目,Unicode協會開發了Unicode專案。
在1991年前後,雙方都意識到世界不需要兩個不相容的字符集。於是它們開始合併雙方的工作成果,並為創立單一編碼表而協同工作。從Unicode2.0開始,Unicode專案採用了與ISO 10646-1相同的字庫和字碼。
目前兩個項目仍都存在,並獨立公佈各自的標準。 Unicode協會現在的最新版本是2005年的Unicode 4.1.0。 ISO的最新標準是10646-3:2003。
UCS規定了怎麼用多個位元組表示各種文字。怎麼傳輸這些編碼,是由UTF(UCS Transformation Format)規範規定的,常見的UTF規範包括UTF-8、UTF-7、UTF-16。
IETF的RFC2781和RFC3629以RFC的一貫風格,清晰、明快又不失嚴謹地描述了UTF-16和UTF-8的編碼方法。我總是記不得IETF是Internet Engineering Task Force的縮寫。但IETF負責維護的RFC是Internet上一切規範的基礎。
3、UCS-2、UCS-4、BMP
UCS有兩種格式:UCS-2和UCS-4。顧名思義,UCS-2就是用兩個位元組編碼,UCS-4就是用4個位元組(實際上只用了31位,最高位元必須為0)編碼。下面讓我們來做一些簡單的數學遊戲:
UCS-2有2^16=65536個碼位,UCS-4有2^31=2147483648個碼位。
UCS-4依最高位元為0的最高位元組分成2^7=128個group。每個group再依次高位元組分為256個plane。每個plane依第3個位元組分為256行(rows),每行包含256個cells。當然同一行的cells只是最後一個位元組不同,其餘都相同。
group 0的plane 0被稱為Basic Multilingual Plane, 即BMP。或者說UCS-4中,高兩個位元組為0的碼位被稱為BMP。
將UCS-4的BMP去掉前面的兩個零位元組就得到了UCS-2。在UCS-2的兩個位元組前加上兩個零位元組,就得到了UCS-4的BMP。而目前的UCS-4規範中還沒有任何字元被分配在BMP之外。
4.UTF編碼UTF-8就是以8位元為單元對UCS進行編碼。從UCS-2到UTF-8的編碼方式如下:
UCS-2編碼(16進位) UTF-8 位元組流(二進位)
0000 - 007F 0xxxxxxx
0080 - 07FF 110xxxxx 10xxxxxx
0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx
例如「漢」字的Unicode編碼是6C49。6C49在0800-FFFF之間,所以一定要用3位元組模板了:1110xxxx 10xxxxxx 10xxxxxx。將6C49寫成二進位是:0110 110001 001001, 用這個位元流依序取代模板中的x,得到:11100110 10110001 10001001,即E6 B1 89。
讀者可以用記事本來測試我們的編碼是否正確。
UTF-16以16位元為單元對UCS進行編碼。對於小於0x10000的UCS碼,UTF-16編碼就等於UCS碼對應的16位元無符號整數。對於不小於0x10000的UCS碼,定義了一個演算法。不過由於實際使用的UCS2,或是UCS4的BMP必然小於0x10000,所以就目前而言,可以認為UTF-16和UCS-2基本上相同。但UCS-2只是一個編碼方案,UTF-16卻要用於實際的傳輸,所以就得考慮位元組序的問題。
5.UTF的位元組序和BOM
UTF-8以位元組為編碼單元,沒有位元組序的問題。 UTF-16以兩個位元組為編碼單元,在解釋一個UTF-16文本前,首先要弄清楚每個編碼單元的位元組序。例如收到一個「奎」的Unicode編碼是594E,「乙」的Unicode編碼是4E59。如果我們收到UTF-16位元組流“594E”,那麼這是“奎”還是“乙”?
Unicode規格中建議的標記位元組順序的方法是BOM。 BOM不是「Bill Of Material」的BOM表,而是Byte Order Mark。 BOM是個有點小又聰明的想法:
在UCS編碼中有一個叫做"ZERO WIDTH NO-BREAK SPACE"的字符,它的編碼是FEFF。而FFFE在UCS中是不存在的字符,所以就不應該出現在實際傳輸中。 UCS規範建議我們在傳輸位元組流前,先傳送字元"ZERO WIDTH NO-BREAK SPACE"。
這樣如果接收者收到FEFF,就表示這個位元組流是Big-Endian的;如果收到FFFE,就表示這個位元組流是Little-Endian的。因此字元"ZERO WIDTH NO-BREAK SPACE"又被稱為BOM。
UTF-8不需要BOM來表示位元組順序,但可以用BOM來表示編碼方式。字元"ZERO WIDTH NO-BREAK SPACE"的UTF-8編碼是EF BB BF(讀者可以用我們前面介紹的編碼方法驗證一下)。所以如果接收者收到以EF BB BF開頭的位元組流,就知道這是UTF-8編碼了。
Windows就是使用BOM來標記文字檔的編碼方式的。
6.進一步的參考資料本文主要參考的資料是"Short overview of ISO-IEC 10646 and Unicode" ( http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html )。
我還找了兩篇看上去不錯的資料,不過因為我開始的疑問都找到了答案,所以就沒有看:
"Understanding Unicode A general introduction to the Unicode Standard" ( http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a )
"Character set encoding basics Understanding character set encodings and legacy encodings" ( http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03 )
我寫過UTF-8、UCS-2、GBK相互轉換的軟體包,包括使用Windows API和不使用Windows API的版本。以後有時間的話,我會整理一下放到我的個人主頁上( http://fmddlmyy.home4u.china.com )。
我是想清楚所有問題後才開始寫這篇文章的,原以為一會兒就能寫好。沒想到考慮措辭和查證細節花了很長時間,竟然從下午1:30寫到9:00。希望有讀者能從中受益。
*/
#endregion