最近遇到一个linux 平台上invisible character (0x1d)引起的数据装载失败问题,正好借此机会整理一下字符编码的相关知识。
回车/换行:
=================
顾名思义,回车和换行是两个不同的控制字符:
-回车(Carriage Return)即\r,ascii码13(0x0d),作用是将光标移到一行的开始位置
- 换行(LineFeed)即\n,ascii码10(0x0a),作用是将光标移到下一行
在不同的操作系统平台上,默认是用不同的控制符来标志一行的结束:
-Windows: \r\n
-Linux/Unix: \n
- Mac: \r(据说近来也改成了\n)
这种不同实现导致的结果就是Winodws上的标准文本文件在其它平台上会多出一个^M控制符,而其它平台的文件在Windows上看会只有一行。Linux上有dos2unix/unix2dos命令来解决文本换行的问题。
字符编码:
=================
文字是人类的语言,对于计算机来讲,语言就是0和1而已,因此将字符保存在计算机里就会涉及到字符编码的问题。网上有许多文章和博客介绍不同字符编码方式,这里就不引用了。列一些我自己理解的重点:
ASCII:ANSI
最初的计算机存储有限,字符的存储使用的是8位的ASCII码(最高位为0),最多可以存储128个字符,加上扩展ASCII码(最高位为1)也只能存储256个字符。于是,各国都制定了自己的兼容ascii编码规范,就是各种ANSI码,来表示不同的语言中的不同文字。于是同样的ASCII码在不同的字符集(Collation/CharSet/CodePage)上就可以表示不同的字符,这就是为什么ANSI字符一定要与特定的Collation绑定才能表示唯一正确的字符,绑定错了就可能出现乱码(ascii码小于128的字符不会乱码)。
Unicode
又名万国码,所有语言的所有字符都可以用唯一的Unicode码来标识。Unicode有几种不同的实现方式:
- UTF-8:按照字节(8位)来存储编码,长度可变(1~6字节)。完全兼容ascii码,即标准ascii码中的字符在unicode中也是以相同的码来表示的。UTF-8使用第一个字节确定字节数:第一个字节首为0即一个字节,110即2字节,1110即3字节,字符后续字节都用10开始。
- UTF-16 (UCS2):按照双字节存储字符,因此有字节序问题:即高位在前(Big Endian)还是低位在前(LittleEndian)。这个行为与CPU处理字节方式有关,一般LittleEndian用得比较多。比如“汉”字,Unicode码为0x6C49,按照Big Endian存储就是6C49,LittleEndian则为496C。
如何区分不同编码的文件:
用UltraEdit或者类似编辑器打开文本文件,切换到HexMode(ctrl + h),看文件头:
- 没有任何特殊文件头的,直接第一个字符就是文本内容的,是ansi文件
- 以BOM (Byte Order Mark) 开头的是Unicode文件。BOM可以是0xFEFF(表示BigEndian)、0XFFFE(表示Little Endian)、或者0xEFBBBF (UTF-8)。
注意,在Windows上用Notepad保存一个UTF-8的文件,用UltraEdit查看也可能以0xFFFE开头,这是因为UltraEdit可能自动将UTF-8的文件转换成UTF-16格式。如果通过UltraEdit打开文件查看BOM来确定文件格式,并不是安全的。UltraEdit下方状态栏则真实的显示了当前打开文件的实际编码格式,而不是当前编辑的编码格式。对于一个普通Ascii 格式的文件,它显示为DOS或者UNIX,对于一个包含有UTF-8编码字符的文件,它显示为U8-DOS或者U8-UNIX,对于UTF-16编码的文件,它显示为U-DOS 或者U-UNIX。
我们知道,UTF-8 对于Ascii 字符的编码与原有的Ascii 编码一致,因此假如我们删除了一个UTF-8DOS文件中所有Ascii 以外的字符,保存后再打开,UltraEdit 将显示为DOS(Ascii)。
如果我们不希望UltraEdit 在打开UTF-8 文件时自动转为UTF-16格式编辑,我们可以修改配置。如下图,确保“自动检测 UTF-8文件”不被选中。
需要注意的是,如果取消了这个选项,UltraEdit打开包含UTF-8编码的文件会产生乱码。
UltraEdit 在File-Convertions菜单中提供了多种编码格式之间的转换,这将影响到保存的文件编码,转换后,在状态栏也能看到相应变化。在有些选项后标明有(UnicodeEditing) 或者(ASCII Editing),这指定了编辑时显示用的编码,并不影响保存文件所用的编码,要区分开。
工具WinHex 可以用来查看文件16进制内码。
Unicode与SQL Server:
================
UTF-8是目前使用最广泛的Unicode编码格式,但是SQLServer使用的是UTF-16作为Unicode字符的编码格式,即NCHAR/NTEXT/NVARHCAR存储的都是双字节编码的Unicode字符,以N为前缀(比如N'Hello')的字符串即为双字节Unicode字符。对于UTF-8字符串,如果它只包含ANSI字符,则可以按照ANSI串处理;否则的话必须将UTF-8串转换成UTF-16、再交给SQLServer 处理。这种行为可能带来两个常见的问题:
- 许多程序(包括ASP.NET)在输出文件的时候都使用UTF-8格式。如果这些文件需要被SQLServer正确地处理,必须进行转码至UTF-16。
- SQL 2005以后支持对NativeXML进行处理,但是如果XML文档本身是UTF-8编码,就没办法直接处理。下面是一个例子:
在SSMS中运行如下代码,会得到错误9420:
DECLARE @InfXML
SET @Inf = '<?xml version="1.0"encoding="utf-8"?>
<root>
<names>
<name>张三</name>
</names>
<names>
<name>李四</name>
</names>
</root>
'
SELECT x.value('name[1]', 'VARCHAR(10)') ASName
FROM