ANSI/UTF-8/UCS2(UTF-16),以及回车换行
来源:互联网 发布:张卜天的翻译水平知乎 编辑:程序博客网 时间:2024/05/14 16:31
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:
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:
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:
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:
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:
关于看不见的字符0x1D
====================
这个字符为GROUP SEPARATOR,作用是分组,怎么用这个控制字符取决于应用程序。在MSSQL和SSIS中,这个字符并没有特别含义;但是Netezza确实把这个字符当作分隔符使用,导致在数据导入时分栏错误。遗憾的是Netezza的EXTERNALTABLE导入时没办法控制batch size,所以排查这种问题比较麻烦。对于控制字符,可以在引用EXTERNALDataSource的时候加上CTRLCHARS TRUE选项,则可以将控制字符作为字段内容录入。
- ANSI/UTF-8/UCS2(UTF-16),以及回车换行
- 字符编码: ANSI/UTF-8/UCS2(UTF-16),以及回车换行
- GB2312, GBK, UCS2, UTF-8
- UCS2转UTF-8方法
- unicode 和 utf-8 utf-16 utf-32 ASCII ANSI
- 字符编码 Unicode UTF-8 UTF-16 UTF-32 ANSI
- unicode、utf-8、ansi
- UTF-8转ANSI
- unicode、utf-8、ansi
- utf-8和ANSI
- ANSI UNICODE UTF-8
- ANSI转UTF-8
- ANSI转UTF-8
- 字符编码,ansi, unicode,utf-8, utf-16
- [转]字符编码,ansi, unicode,utf-8, utf-16
- 字符编码,ansi, unicode,utf-8, utf-16
- ASCII(ANSI), GB-2312, UNICODE, UTF-8,UTF-16
- 字符编码 ansi, unicode, utf-8, utf-16
- Lubuntu12.04安装wxpython及examples(demo)
- Amazing Function of SQL
- shell学习笔记
- 为什么将派生类声明为父类的友元类?或者相反
- 对待客户方交流方式的流程
- ANSI/UTF-8/UCS2(UTF-16),以及回车换行
- 《Lua程序设计[第二版]》第5,6章笔记
- 简单实例解读Java泛型
- 几个常用的控件TextView EditText Button MENU按钮
- hdu 4393 Throw nails
- ZOJ 1148
- 用python的twisted做个简单游戏服务器原形--客户端连接monitor管理类
- Extjs 让grid的CheckboxSelectionModel 判断是否全选,监听全选事件
- Useful WPF resources and learning materials