Unicode和字元集的基礎知識

一個字串不指定它使用什麼編碼是沒有意義的。

再也不要假定，“純”文本（plain text）是ASCII.

沒有“純文字”這個東西。

如果你有一個字串，在記憶體中，在檔案中，或者在 Email 訊息裡，你必須知道它的編碼是什麼。否則你無法正確的解釋或者顯示給使用者。

所有的諸如 “我的網頁不能正常顯示了”，或者 ”Email 訊息不能正常顯示了“ 之類的愚蠢問題， 都是因為， 沒有告訴你到底是使用的那種編碼，

UTF-8 還是 ASCII 還是 ISO 8859-1 或者 Windows 1252 ?? 那麼自然無法正常的解釋和顯示，甚至不知道字串該在哪裡結束。

那麼如何保留這樣的編碼標誌，來表示字串的編碼？ 有一些基本的辦法。

比如對於 Email 來說，在表單的 header 中加上：

Content-Type:text/plain;charset="UTF-8"

對於 Web 頁面來說，原來的做法是， Web 服務器隨著 web 頁面本身一起，發送一個類似於 Content-Type 的 http header.

（不是在 HTML 裡面，而是作為一個 response header 在 HTML 頁之前發送）

這樣做有一個問題。如果你的 Web 服務器同時有多個網站，網站由多個不同的人用不同的語言開發的程式混在一起。那麼 Web 服務器將無從得知，

每一個檔案是用什麼編碼方式寫的。這樣也就無法發送正確的 Content-Type header.

如果你能夠在每一個 HTML 檔案中記錄 Content-Type 資訊，那麼就很方便了。可這念頭似乎也很瘋狂，因為你還沒有知道用什麼編碼方式去

讀取這個檔案，又怎麼能讀出編碼資訊呢？

幸好，幾乎每一種編碼中，對 32~127 的字元都解釋的相同。所以你可以在每一個 html 檔案中這麼寫：

< html >

< head >

< meta http-equiv="Content-Type" content="text/html;charset=utf-8" >

但是要注意， 這個 meta 標籤必須放在 head 中靠前面的位置才能保證不會出問題。 因為 Web 服務器讀到這裡的時候，就會停止解析，

然後用讀到的這個編碼方式重新解析頁面。

那麼，作為 網頁瀏覽器來說，如果沒有在 meta 標籤中或者 http headers 中發現 Content-Type, 會怎麼樣呢？

IE 是這麼做的：

先嘗試去猜，根據特定的位元組出現在各種語言的典型的編碼中的頻率。

如果編碼設定不正常，使用者可以通過 View|Encoding 菜單來嘗試不同的編碼方式。（當然，不是每個人都知道該這樣做）

在 VB, COM, Windows NT/2000/XP 中，預設的字串類型是 UCS-2（2位元組）的。

在 C++ 代碼中， 我們可以定義字串為 wchar_t（wide char），同時用 wcs 系列的函數代替 str 系列的函數。

如 wcscat, wcslen, 而不是 strcat, strlen.

在 C 代碼中，要建立 UCS-2 字串的話，只要在前面加一個 "L", 如 L"Hello"

對於 Web 頁面，最好統一為使用 UTF-8 編碼。 這個編碼已經被各種 網頁瀏覽器支援了很多年了。

        原文地址： http://java.ccidnet.com/art/3737/20060605/571503_1.html