1. 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0000000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。
2、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 (ג)，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256×256=65536个符号。
中文编码的问题需要专文讨论，这篇笔记不涉及。这里只指出，虽然都是用多个字节表示一个符号，但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。
3.Unicode
正如上一节所说，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，比如，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字“严”。具体的符号对应表，可以查询unicode.org，或者专门的汉字对应表。
4. 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“严”的unicode是十六进制数4E25，转换成二进制数足足有15位（100111000100101），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。
5.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。
下表总结了编码规则，字母x表示可用编码的位。
Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
——————–+———————————————
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
下面，还是以汉字“严”为例，演示如何实现UTF-8编码。
已知“严”的unicode是4E25（100111000100101），根据上表，可以发现4E25处在第三行的范围内（0000 0800-0000 FFFF），因此“严”的UTF-8编码需要三个字节，即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后，从“严”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，“严”的UTF-8编码是“11100100 10111000 10100101”，转换成十六进制就是E4B8A5。
6. Unicode与UTF-8之间的转换
通过上一节的例子，可以看到“严”的Unicode码是4E25，UTF-8编码是E4B8A5，两者是不一样的。它们之间的转换可以通过程序实现。
在Windows平台下，有一个最简单的转化方法，就是使用内置的记事本小程序Notepad.exe。打开文件后，点击“文件”菜单中的“另存为”命令，会跳出一个对话框，在最底部有一个“编码”的下拉条。
先解释下，什么是地址栏用中文参数。地址栏用中文参数的更确切的说法应该是，GET请求中参数直接使用中文字符串，而不做任何URLEncode。
举个例子，在www.google.com中搜索“我”，请求是用的GET方式发送的，页面打开后，地址栏（用的Safari，苹果上的网页浏览器）显示的是“http://www.google.com/search?client=safari&rls=zh-cn&q=我&ie=UTF-8&oe=UTF-8”，这就是一个GET请求参数直接用中文字符串的例子。用IE的同志注意了，上面的链接点击后到达的页面是不正常的，显示的不是搜索“我”的页面，把这个链接复制了，然后粘贴到IE的地址栏里，访问到的页面也是不正常的，问题是这次的不正常和刚才的不正常还不一样。这个例子告诉我们，地址栏用中文参数还真的有可能是“不可能的任务”。
我先分析下问题产生的原因，然后再谈一谈解决这个问题的最佳实践。
原因分析：
如果我们的用户都用的是一种浏览器，那么问题要简单的多，只要弄明白这个浏览器到底是怎么表现的，针对这个做一些编码的转换就行了，但是问题就在于，我们的用户用了至少是IE，Firefox和Safari这三种浏览器（注：奥游和腾讯TT本质都是IE），而这三个浏览器的表现很不一样。
1.首先说Firefox，在Firefox的地址栏中用中文参数，它的表现是用UTF-8编码进行URLEncode，并且把encode之后得到的字符串显示在地址栏。
2.然后是Safari，Safari和Firefox基本一致，也是用UTF-8编码进行URLEncode，但是Safari会自作聪明一点，如果参数里有它认识的URLEncode后的字符串，如“%E6%88%91”（注：这段是“我”经过URLEncode得到的），什么是Safari认识的呢，就是可以用UTF-8编码进行URLEncode得到的，它就会恢复原始中文的显示。所以开篇safari中得到的地址栏链接就是含中文的。
3.最后是IE，IE表现的最无语，上面大家都看到了，同样的链接，在页面中打开和在地址栏输入得到的都不一样。这是怎么造成的呢？IE在处理中文参数的时候，对于直接输入在地址栏里的，使用的是系统平台对应的编码，比如我们用的Windows中文版，那就是用的GB18030编码，而对于页面链接里的，使用的是页面的编码，比如这篇文章的页面编码是UTF-8，所以从这个页面打开上面的链接，中文是用UTF-8编码进行URLEncode的，而在地址栏，直接输入，使用的是GB18030的编码。处理的不同也就罢了，但是不能在地址栏里一点区别也看不出来阿，所以IE是表现的最无语的。
那么，如何解决这个问题呢？处理过浏览器兼容问题的同志应该会想到对不同浏览器区别对待，这个想法是可行的，因为用户用的什么浏览器在服务端是可以获得的。但是IE使这个问题复杂了许多，我们并不知道用户是点击的页面中的链接，还是在地址栏里直接输入的，而且我们也未必知道页面的编码和系统的语言环境。
看起来，我们只能根据原始内容“动态识别字符编码”了。其实“动态识别字符编码”对于我们来说并不陌生，我们的浏览器都是支持我们自己指定用什么编码来打开页面的，用的最多的情况是Web邮箱，有的邮件我们可能要换一个编码才能看，否则全是乱码，网页的编码在没有指定的情况下，浏览器会猜一个编码，这就是“动态识别字符编码”。另外，有些文本编辑器也是支持多种文件编码的，打开一个文件时，也会“动态识别字符编码”。
如何实现“动态识别字符编码”呢？cpdetector是一个开源项目，这个项目的主页是http://cpdetector.sourceforge.net/，这个项目提供了“动态识别字符编码”我已经适用，基本是可以识别的。
这里还需要解释一个服务器端用Java相关技术时的问题，Tomcat默认的URIEncodeing用的是ISO-8859-1编码，这造成的是在Firefox或Safari这样的不是很无语的浏览器上，对于中文数据，POST请求和GET请求也表现的不一样，如果页面用UTF-8编码，GET时是乱码的。这事实上是另一个“地址栏用中文参数”的问题，这个问题我们一般搜索到的解决办法是修改tomcat的URIEncodeing参数为UTF-8。
当然我们不是一定要做这样一个操作，我们既然知道数据是用ISO-8859-1编码的，我们大可getBytes("ISO-8859-1")。但是我这样做，然后配合用cpdetector“动态识别字符编码”的方案，又发现了问题，有时候IE下对一些字符串做了一些编码转换操作之后就出现问题了，我试出来的例子是，在编码是UTF-8的页面上提供了一个包含参数为“我是谁”的链接，点击后，经过了getBytes("ISO-8859-1")和cpdetector“动态识别字符编码”，得到了我是口（注：口是个表示不能识别的框框），有些参数直接识别字符编码都失败，比如“你我他”被识别成了“x-EUC-TW”。这些问题基本是不可解决的。我也尝试了修改tomcat的URIEncodeing参数为UTF-8，问题依然，而且cpdetector居然也识别不出来直接输入地址栏时的编码GB18030。这终于是个名符其实的不可能的任务了。
最佳实践：
由于无语的IE，我们放弃了地址栏用中文参数，我们乖乖的使用URLEncode，但是URLEncode就可以了吗？答案是否定的，要知道，自作聪明的Safari会吧URLEncode后的字符串还原称原来的中文，那么Safari的地址栏里常常是有中文的，那么一个Safari用户把这个链接发给一个IE用户，后者不又Shit了吗？所以我们要对中文字符串进行两次URLEncode，由于服务器会自动进行一次URLDecode，所以我们在服务端编程再进行一次URLDecode。这就是最佳实践，放弃了友好的URL，放弃了简洁和清晰，技巧近乎变态，但这是唯一的能够充分避免无效链接的方法。校园网络套餐中课程的文件柜中的中文参数就采取了这种方法。
总结：
本篇基本实践了“地址栏用中文参数”的努力中的各种问题，实践证明“地址栏用中文参数”是不可能的任务，然后以一种极度为用户负责的态度提出了一个有点变态的最佳时间。
最后忍不住说一句：IE给程序开发造成的不便，绝对不仅仅是这个，下次请个做前端开发的同志谈一谈。
地址栏中出现汉字的情况有两种，一种是汉字出现在URL的路径部分，一种是汉字出现在URL的传参的部分，第二种情况的时候必须采用编码后传参，接受时解码的方式完成传参。js中编码有escape(),encodeURI(),encodeURIComponent()三个常用的方法，escape()常常用在提交页面和处理页面的编码格式相同的情况下（比如它们都是GB2312），encodeURI()和encodeURIComponent()的用法基本相同，区别在encodeURIComponent()也对"?"等特殊字符进行编码。
一开始遇到中文参数的时候，使用encodeURI()进行了一遍编码，传过去后，发现解码出现问题，于是想到可能是编码方法使用错误，于是使用escape()方法，这时发现解码时抛出isHexDigit异常。借助百度搜索isHexDigit异常，发现原来，是escape()方法造成了异常，同时了解了浏览器传递地址的一些原理，在浏览器地址栏里，浏览器认为%是个转义字符，浏览器会把%与%之间的编码，两位两位取出后进行解码,然后再传递给处理页面，然后由处理页面进行再次解码。由此我想到一直使用encodeURI方法是正确的，只是需要使用两次encodeURI方法，例如encodeURI(encodeURI("中文"));第一次是把中文编码成%xy的格式，第二次是对%xy中的%进行编码,%编码成%。整个传参过程大体应该是：提交页面使用encodeURI(encodeURI("中文"))编码,把最后的编码结果%xy传递给处理页面的过程中，浏览器获取URL地址 （注意openModelDialog方法，浏览器获取不到参数编码）后解码成%xy，然后把%xy传递给处理页面,处理页面使用URLDecoder.decode(request.getParameter("参数名"),"UTF-8");完成解码。
总结：
1、汉字出现在URL路径部分的时候不需要编码解码;
2、使用encodeURI进行2次编码;
3、在openModelDialog()打开的模式窗体里没办法用request.getParameter正确获取参数;
客户端和服务器在传递数据时可以用过滤器filter解决字符编码问题，但filter只能解决post方式提交的数据。对于get方式，可以使用两次encodeURI(encodeURI(“中文”))并在服务器中使用URLDecoder.decode(“中文”, "UTF-8");
今天用Ajax校验数据时也遇到这个问题，尽管页面、类和web容器都统一了字符编码，提交的数据依然是乱码，所以就采用了2次encodeURI()编码方式，乱码问题就解决了。
页面
/exportExcel.topinfo?ls="+encodeURI(encodeURI(_tmplsgx))+"&zt="+encodeURI(encodeURI(_tmpzt))saction中
String ls=request.getParameter("ls");
ls = new String(ls.getBytes("iso-8859-1"),"utf-8");
ls = java.net.URLDecoder.decode(ls,"UTF-8"); 这样乱码就解决了。
在IE地址栏中经常会出现许多奇怪的编码，请问这些是什么编码？在何处有方面的资料？
http://www.google.com/search?q=%E5%B1%80%E5%9F%9F%E7%BD%91%E5%86%85%2B%E5%85%B1%E4%BA%AB%E5%85%A5%E4%BE%B5&hl=zh-CN&lr=lang_zh-CN&ie=UTF-8&oe=UTF-8&start=10&sa=N
学的太多了
那是编码后的中文字符或特殊字符。
网上哪有这方面的学习资料？
这些是把你的数据输入之后，再编译后的特殊符号
这也想学呀？编译技术
有无对照的转换表
这是网页的自动生成的编码。 如果你想知道的话。得先看看它是用什么语言编成的
search是网站上的的处理程序的入口，可以是cgi、php、asp等编程的程序，常见的如search.asp?XXXXX道理一样，？后边跟的是参数，%E5%B1%80%E5%9F%9F%E7%BD%91%E5%86%85%2B%E5%85%B1%E4%BA%AB%E5%85%A5%E4%BE%B5是Unicode编码编码的字符，&后边连结的是其他参数。
工具÷选项÷高级，最下面有个总是以 UTF－8 发送 URL，下面详述：
由 Unicode 协会开发的能表示几乎世界上所有书写语言的字符编码标准。Unicode 字符清单有多种代表形式，包括 UTF-8、UTF-16 和 UTF-32。大多 Windows 界面使用 UTF-16。
Unicode 传输格式 8 (UTF-8)
在 ASCII 码基础上发展的协议字符设置。UTF-8 协议提供 ASCII 码的扩展支持，UCS-2 码的翻译，国际 16 进制 Unicode 编码字符设置。与使用字符数据的 ASCII 或扩展 ASCII 编码相比，UTF-8 可获得更大范围的名称。
规范中建议，用户端在这种情况下应采取以下方式处理非 ASCII 字符： 1. 将每个字符转换为 UTF-8 编码的相同字符，每个字符将有一或多个字节。 2. 用 URI 编码机制对这些字节进行编码。如：每个字节转换为 %HH，其中的 HH 为这些字节的值的十六进制表示。这种方式称为“百分号编码”。 关于 URI 类型及 URI 属性值中的非 ASCII 字符（Non-ASCII characters in URI attribute values）的详细信息，请参考 HTML4.01 规范 6.4 URIs 及 附录B.2.1 中的内容。 关于“百分号编码”的详细信息，请参考 RFC-3986 2.1. Percent-Encoding 中的内容。 关于 URI 组成的更多信息，请参考 RFC-3986 3. Syntax Components 中的内容。 问题描述 对于 URI 中非 ASCII 字符，并非所有浏览器都是按照 HTML 4.01 规范中的建议实现的，而且不同浏览器在处理不同形式的 URI 时，表现也有差异。 造成的影响 这个问题将导致在服务端或客户端通过代码获取 URI 中的非 ASCII 字符信息时无法分辨编码信息，并产生乱码。