碰到一个“无法通过json传递字符串在sqlite3中进行汉字字符插入和查询”的问题,验证后,确实会出现乱码。
怀疑是sqlite3库本身就不支持汉字,但是查询后发现默认sqlite3就是utf-8的,其内部也是用utf-8,就是本来就支持汉字。
一、首先用sqlite3的命令行工具尝试,发现时可以直接插入和查询的,那么怀疑是不是输入的的字符集有问题。
二、但是sqlite3本身是可以调整字符集的,那么上层传下来是不是就有问题。
使用代码验证,发现json上的接口传入是汉字,到执行sqlite_exec时就已经变成了乱码。
三、调整发现json只支持unicode,而且没有调整编码集的接口参数。
那么推论下原因,是不是由于传入的参数并不是json支持的unicode。由于json本身是没法设置unicode的,所以只能将源码文件设置成unicode的utf-8.
然后编译,链接,运行,发现ok了。
又尝试了下其他的使用utf-8 with BOM或者ANSI,都可以正常编译,然而会出现乱码的情况。所以在使用汉字时,必须要严格指定文件的编码格式为utf-8,保证编译和链接及插入使用都统一的是utf-8.
查看文件的编码格式有两种方法:
1.使用file命令,可以直接显示编码
2.用vim打开后,: set fileencoding 命令会显示当前文件的编码格式
那么Unicode和UTF-8到底是什么关系呢?
有一篇相关博文如下(摘自http://alexiter.iteye.com/blog/1533109):
UTF-8是Unicode的实现方式之一,它规定了字符如何在计算机中存储、传输等。
UTF-8最大的一个特点,就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号,根据不同的符号而变化字节长度。
UTF-8的编码规则很简单,只有二条:
1)对于单字节的符号,字节的第一位设为0,后面7位为这个符号的unicode码。因此对于英语字母,UTF-8编码和ASCII码是相同的。
2)对于n字节的符号(n>1),第一个字节的前n位都设为1,第n+1位设为0,后面字节的前两位一律设为10。剩下的没有提及的二进制位,全部为这个符号的unicode码。
下表总结了编码规则,字母x表示可用编码的位。
Unicode符号范围 | UTF-8编码方式
(十六进制) | (二进制)
-------------------------------+---------------------------------------------
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,还是以汉字“严”为例,演示如何实现UTF-8编码。
已知“严”的unicode是4E25(100111000100101),根据上表,可以发现4E25处在第三行的范围内(0000 0800-0000 FFFF),因此“严”的UTF-8编码需要三个字节,即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后,从“严”的最后一个二进制位开始,依次从后向前填入格式中的x,多出的位补0。这样就得到了,“严”的UTF-8编码是“11100100 10111000 10100101”,这是保存在计算机中的实际数据,转换成十六进制就是E4B8A5,转成十六进制的目的为了便于阅读。
其他相关的:1)ANSI是默认的编码方式。对于英文文件是ASCII编码,对于简体中文文件是GB2312编码(只针对Windows简体中文版,如果是繁体中文版会采用Big5码)。
2)Unicode编码指的是UCS-2编码方式,即直接用两个字节存入字符的Unicode码。这个选项用的little endian格式。
3)Unicode big endian编码与上一个选项相对应。我在下一节会解释little endian和big endian的涵义。
4)UTF-8编码,也就是上一节谈到的编码方法。
选择完”编码方式“后,点击”保存“按钮,文件的编码方式就立刻转换好了。
7. Little endian和Big endian
上一节已经提到,Unicode码可以采用UCS-2格式直接存储。以汉字”严“为例,Unicode码是4E25,需要用两个字节存储,一个字节是4E,另一个字节是25。存储的时候,4E在前,25在后,就是Big endian方式;25在前,4E在后,就是Little endian方式。
那么很自然的,就会出现一个问题:计算机怎么知道某一个文件到底采用哪一种方式编码?
Unicode规范中定义,每一个文件的最前面分别加入一个表示编码顺序的字符,这个字符的名字叫做”零宽度非换行空格“(ZERO WIDTH NO-BREAK SPACE),用FEFF表示。这正好是两个字节,而且FF比FE大1。
如果一个文本文件的头两个字节是FE FF,就表示该文件采用大头方式;如果头两个字节是FF FE,就表示该文件采用小头方式。