中文乱码问题产生的由来

中文乱码问题产生的由来

 在计算机中，只有二进制的数据，不管数据是在内存中，还是在外部设备上。
对于我们所看到的字符，也是以二进制数据的形式存在的。不同的字符对应的
二进制数的规则，就是字符的编码。字符编码的集合称为字符集。

常用的字符集
1 ASCII
2 ISO8859-1
3 GB2312和GBK

  每个国家（或者区域）都规定了计算机信息交换用的字符编码集，这就造成了
交流上的困难。想象一下，你发送一封中文邮件给一位远在西班牙的朋友，当邮件
通过网络发送出去的时候，你所书写的中文字符会按照本地的字符集GBK转换成二进制
编码数据，然后发送出去。当你的朋友接收以邮件（二进制数据）后，查看信件时，会
按照他所用的系统的字符集，将二进制数据解码为字符，然而由于两种字符集之间编码
规则的不同，导致转换出现乱码。这是因为，在不同的字符集之间，同样的数字可能对
应了不同的符号，也可能在另一种字符集中，该数字没也对应的符号。
  为解决上述问题，统一全世界的字符编码，由Unicode协会制定并发布了Unicode编码。
4 Unicode
5 UTF-8

对乱码产生过程的分析

  字符数据在各种不同的字符集之间转换时，就有可能会出现乱码。
  xml处理器在没有被预先通知的情况下会默认文档数据为UTF-8格式。
这样在你书写xml文档时，就存在了UTF-8字符集和本地字符进行转换的过程。
当向xml文档中写入数据的时候，需要将本地字符集编码的数据转换为UTF-8
，而在输出字符数据的时候，则需要将UTF-8编码转换为本地字符集编码。
从上述的过程来看，写入和输出的过程是可逆的。理应不会出现中文乱码问题
然而，实际应用的情形，比上述的过程要复杂的多。在WEB应用中，通过都包括
浏览器、WEB服务器、WEB应用程序和数据库等部分，每一部分的都有可能使用不
同的字符集，从而导致数据在各种字符之间转换时，出现了乱码问题。

KE 2007-09-20 21:46 发表评论