字符编码 URL和HTML编码

一、 ASCII码
我们知道，在计算机内部，所有的信息最终都表示为一个二进制的字符串。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从00000000到11111111。
上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为ASCII码，一直沿用至今。ASCII码一共规定了128个字符的编码，比如空格“SPACE”是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。
在C#中如果你想看看某个字母的ASCII码是多少，可以使用表示字符编码的类Encoding ，代码如下：
string s = "a";
byte[] ascii = Encoding.ASCII.GetBytes(s);
我们通过调试器可以看到ascii中为97，也就是说a的ASCII码为97（1100001）
二、非ASCII编码
英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用ASCII码表示。于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。
但是，这里又出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。比如，130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel ，在俄语编码中又会代表另一个符号。但是不管怎样，所有这些编码方式中，0—127表示的符号是一样的，不一样的只是128—255的这一段。
至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示256x256=65536个符号。在C#中如果你想看看某个汉字的GB2312编码可以使用如下代码：
string s = "梁";
System.Text.Encoding GB2312 = System.Text.Encoding.GetEncoding("GB2312");
byte[] gb = GB2312.GetBytes(s);
这时gb中有两个数字193（11000001），186（10111010）
三、Unicode
正如上边所说，世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。
可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是Unicode，就像它的名字都表示的，这是一种所有符号的编码。
Unicode当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样。C#中如果你想看看某个汉字的Unicode编码可以使用如下代码：
string s = "梁";
byte[] unicode = Encoding.Unicode.GetBytes(s);
这时unicode中有两个数字129（10000001），104（1101000）
四、Unicode的问题
需要注意的是，Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。
比如，汉字“梁”的unicode是（110100010000001），也就是说这个符号的表示至少需要2个字节。表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。
这里就有两个严重的问题，第一个问题是，如何才能区别unicode和ascii？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果unicode统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。
它们造成的结果是：1）出现了unicode的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示unicode。2）unicode在很长一段时间内无法推广，直到互联网的出现。
五、UTF-8
互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种unicode的实现方式。其他实现方式还包括UTF-16和UTF-32，不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。
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。

UCS-2编码	UTF-8字节流
U-00000000 – U-0000007F:	0xxxxxxx
U-00000080 – U-000007FF:	110xxxxx 10xxxxxx
U-00000800 – U-0000FFFF:	1110xxxx 10xxxxxx 10xxxxxx
U-00010000 – U-001FFFFF:	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U-00200000 – U-03FFFFFF:	111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
U-04000000 – U-7FFFFFFF:	1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

举一个例子
我们使用代码
string s = "梁";
byte[] unicode = Encoding.Unicode.GetBytes(s);
byte[] utf8 =Encoding.UTF8.GetBytes(s);
用调试器可以看到

这里在内存中的数据是由高到低排列的，104十六进制为68，129十六进制为81，也就是说"梁"的unicode是十六进制为6881，二进制为110100010000001，我们从上边的表中可以查到，6881应该属于地三行（800-FFFF），因此"梁"的UTF-8编码需要三个字节即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后，从“梁”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，“梁”的UTF-8编码是“111001101010001010000001”，按没8位转换成十进制就是230，162，129。正好和上图中utf8中的值一样。
六、C# UTF-8 转 GB2312
NET中内存中的字符串都是Unicode，所以测试程序在控制台应用程序下不好写，请大家根据如下代码自己来写吧：
public string UTF8ToGB2312(string str)
    {
        try
        {
            Encoding utf8 = Encoding.GetEncoding(65001);
            Encoding gb2312 = Encoding.GetEncoding("gb2312");//Encoding.Default ,936
            byte[] temp = utf8.GetBytes(str);
            byte[] temp1 = Encoding.Convert(utf8, gb2312, temp);
            string result = gb2312.GetString(temp1);
            return result;
        }
        catch (Exception ex)//(UnsupportedEncodingException ex)
        {
            Response.Write(ex.ToString());
            return null;
        }
    }

七、UTF8优点
UTF-8是世界通用的语言编码，如果在其他语言的操作系统下访问gb2312编码的网站，需要下载语言包，所以为了网站的通用性起见，用UTF8编码是更好的选择，但是相比较而言gb2312要比UTF-8得到的数据量少一些。
八、乱码问题：
如果在内存、文件或电子邮件中有一个字符串，那么应该知道它是使用什么编码方案，否则就不能将它正确的解释或显示给用户。如果在试图使用的编码方案中没有相应的编码值得等价内容，那么通常会显示一个小问号“？”，或者显示一个方框。NET中内存中的字符串都是Unicode，而asp.net程序默认是UTF-8编码，我们在使用某些字符串时出现了乱码，我们首先要判断是不是我们解释用的编码方式出错了。

 

 

网站项目里，一些常用软件的编码问题总结：

一：Dreamweaver
1.简体中文版本的安装后，默认是gb2312编码格式，可以在首选项里进行更改。
2.新建文档时，会自动在代码声明里加上采用的编码，其实就是这里，把很多人给弄糊涂了。在这个软件里，保存的时候，会自动根据声明的编码进行保存，比如声明的是charset=gb2312，那么就算现在首选项里选择的是UTF-8，但保存时还是会根据这个声明保存成gb2312，这个还好可以自动判断保存，不会冲突。可是有很多情况下不想开这软件浪费时间，就直接记事本打开，然后把这个声明改了，这个时候，记事本是不会自动判断的，保存的时候还是之前的编码，而声明里使用的确实另一个编码，这样问题就来了。
所以说，就前面说过的，不用理会声明，也不要去声明，存的是什么就是什么。
统一都使用UTF-8的好，不会产生那么多的冲突乱码问题

二：asp.net
asp.net安装完后默认的是UTF-8的编码。这就是为什么很多项目开发中，前台用Dreamweaver做好了，后台用asp.net加程序，就出现乱码情况了。大家都采用默认的，GB2312和UTF-8当然冲突了。
ASP.NET的编码更改可以在Web.Config配置文件里更改

三：FLASH
从Flash MX开始，Flash就开始支持Unicode编码，默认的也是Unicode编码，它和UTF-8几乎接近，我姑且说它默认的就是UTF-8吧，不想说得太深了，我们只要解决问题。
FLASH要加载外部文本文件，页面，XML等的时候，需要解读和显示的时候

1.如果外部文件用的UTF-8编码的，那FLASH里无需改动，默认就行
2.如果外部文件用的是别的编码，比如GB2312，那么就要在第一帧动作里写上
System.userCodePage=true;
//使用运行播放器的操作系统的传统代码页来解释外部文本文件

 

 

 URL和HTML编码

      在呈现HTML页面时,有时候需要显示一些特殊的字符,例如”<”和”&”,因为它们是HTML专用字符,因此需要一些技巧.例如要想显示AT&T,在代码中必须写成AT&amp;T。同样URL中的=,&,/等字符也为专用字符,所以如果需要在URL参数中使用它们,也必须对这些字符进行编,可以在%号后面加上字符的十六进制来替换这些有冲突的字符,例如将空格替换为%20.

下面举个例子说明如何在HTML和URL中显示这些特殊字符,以及如何显示当前页面的源代码.

使用Server.HtmlEncode()函数
在第一个示例中，对于同样的字符串（注意其中含有一段浏览器可以识别的HTML标记）
"This HTML code <span class=/"redbolditalic/">should appear</span> with the tags invisible"
我们采用两种方式（使用和不使用HtmlEncode对字符串编码）分别在Web页面中显示它们，看看效果有什么不同。显示效果如下图所示，可以看到如果未对字符串编码，浏览器在解析它的时候，如果遇到可以识别的HTML标记，就会按照呈现HTML的方式呈现它们，而不管它们是否是一个字符串的一部分。
浏览器的这种默认行为有时候并不是我们所希望的，假设我们就想在浏览器中显示<span class=/"redbolditalic/">should appear</span>怎么办？很简单，我们只需要使用函数HtmlEncode对它进行编码即可。