Webcore中文本资源编解码
dlmu2001
本文描述的文本资源编解码，针对的是字符串编解码，如UTF-8,GB2312，而非传输编解码（如gzip）。
关于字符串编码的理论知识，如果你还不了解，可以参考http://baike.baidu.com/view/1204863.htm。
我们以一个最简单的网页为例，假设服务器上有一个纯链接的页面，没有任何派生资源（image，css，sound，subframe，javascript等）。服务器传送给我们的页面，他们字符串编码是各种各样的，常见的有utf8和gb2312。如果我们用utf8的解码方式去解gb2312的网页，那么网页显示出来的就是乱码。所以，webcore里面，需要首先找出服务器提供的网页的字符串编码格式，然后调用对应的解码接口进行解码，输出webcore的其它模块接受的unicode方式的文本（String类）。
那如何来确定网页的字符串编码呢，一般有如下几种方式
1）父亲节点继承过来的charset属性，比如Iframe里面的charset，如果不指定，则一般继承自原生页面（当然，前提是subframe和原生页面的domain是一样的）
2）HTTP响应头部中包含了charset字段
3）如果有外部的css，也可能由外部css来指定charset
4）HTML的head元素里面的meta标签指定了字符串编码，如
<head><meta http-equiv="Content-Type" content="text/html;charset=gb2312">
5）如果是XML页面，XML头部中指定了charset，如
<?xml version="1.0" encoding="UTF-8"?>
对一个浏览器来说，可能还会支持用户直接指定字符串编码方式，自动识别。
WebCore中同字符串解码处理相关的文件主要是 TextResourceDecoder.h/TextResourceDecoder.cpp ,TextCodec.h/TextCodec.cpp, 以及不同平台的字符串解码的porting（如TextCodecICU.cpp,TextCodecQt .cpp,TextCodecUTF16.cpp等），这里以TextCodecICU的porting为例来理解。
WebCore中通过DocumentWriter类维护了一个TextResourceDecoder类的指针m_decoder，以此来实现对文本资源的解码功能的调用和控制。
当网络有数据到来的时候，会调用DocumentWriter.cpp的createDecoderIfNeeded函数，这里可以看到一个TextResourceDecoder的创建，首先考虑的是设置中是否允许自动识别，其后是HTTP 响应的header中是否有charset头部（m_decoding），如果此处调用了TextResourceDecoder类的setEncoding方法设置了编码方式，则之后就不需要再去检查HTML中的meta标签等。
在创建了decoder以后，就可以对数据进行解码了，DecodedDataDocumentParser类的appendBytes函数调用了TextResourceDecoder的decode方法，对到来的数据进行解码，由于数据是分段到了，所以分段解码。如果数据来齐了，或者中断了，则调用TextResourceDecoder的flush函数来结束解码流程。
TextResourceDecoder类主要实现两个功能，一个是charset的获取，包括meta中charset的获取，xml中charset的获取，charset的自动识别（KanjiCode类）。另外一个是解码组件的调用和维护。
解码组件的维护是通过成员变量m_codec来完成的。在开始decode的时候，调用newTextCodec接口，根据charset类型，来创建一个解码组件，然后调用解码组件的decode方法完成解码（该方法通过TextCodec类进行了封装，通过TextCodecICU等类进行了实现）。解码完成以后，则将m_codec释放（clear）。需要注意的是，在TextResourceDecoder类的flush接口中，需要先进行decode，才进行clear，以免丢失数据。
最后说一下TextEncodingRegistry.cpp这个文件，从名字也可以看出来，它用来负责解码控件的注册和管理，相当于一个容器，来匹配编码方式和对应的解码组件。
1772
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
