Html编码（&#数字型）与解码小结 - 针对Puny Code（中文域名）的解码处理

　　学习并了解到Html编码的知识，源于工作中的产品需求。如果一个URL里面包含Puny Code（不仅仅指中文，还可能是韩文等Unicode里非英文的国家文字，本文以含中文的URL为例），而且这个URL刚好被保存在Html中作为链接，那么其中的Puny Code将会被编码，因为中文等字符不能直接储存在Html的链接中。如果这时使用工具提取Html中URL，所得到的URL就需要解码处理。

一.  Html编码与解码举例

　　真实的URL：www.繁体中文.google.com

　　Html中的URL：　　　　

<a href="http://www.繁体中文.google.com">www.<span
style='font-family:"MS Gothic"'>$BHKBNCfJ8(J</span>.google.com</a>

　　从<a>标签的href中，可以看到，这时URL已经按照Html的格式被编码，编码后的URL是http://www.繁体中文.google.com

　　由此可见，Html对于Puny Code的编码方式如下，以"繁"字举例，

　　繁  —> 繁

　　主要格式是 "&#" + 一个十进制数 + ";"，而这个十进制数正是汉字"繁"的中文内码。"32321"转换为十六进制是"7E41"，通过查Unicode表可知，"7E41"正对应着汉字"繁"，如下图(Unicode Table：http://www.khngai.com/chinese/charmap/tbluni.php?page=3)，

　　　　

二.  URL解码实例（C++实现）

　　1. 算法思路

　　　 依次遍历URL（假设URL保存在wchar_t宽字符数组中，使用wchar_t宽字符存储Unicode编码集），遇到特定格式&#，取出其中的数字32321，然后将其强制转换成wchar_t宽字符，再将'繁'替换为此宽字符，这样即可。

　　　 遍历一遍URL后，便可以得到解码后的URL。

　   2. 代码

　　　 这里给出的只是字符转换部分，如下，

   //...从URL中取出编码后的数字
   wchar_t* strURL = L"";

   int iEncodeNum = _wtoi(strURL);
   cout << "iEncodeNum = " << iEncodeNum << endl;

   if((iEncodeNum & 0xFFFF0000) == )
   {
       wchar_t wDecodeNum = static_cast<wchar_t>(iEncodeNum);
       //为输出中文，设置wcout语言环境为中文
       std::wcout.imbue(locale("chs"));
       wcout << L"wDecodeNum = " << wDecodeNum << endl;
   }
   else
   {
       cout << "number > 65535, will cause truncation problem, can't handle this" << endl;
   }
   //将wDcodeNum替换入URL中，代替原来的繁
   //...

　　  这里注意的是，如果数字大于65535，即大于两个字节，那么采用static_cast<wchar_t>做类型转换，将导致截断问题，解码失败。但一般来说常用的Unicode字符都在前65535个中，所以这个问题应该不用过多考虑。

　　　运行结果：

　　　

三.  知识扩展：关于Unicode和UTF-8，UTF-16（因为之前我一直没有搞清楚，在解这个问题的时候顺便学习下，希望对大家也有帮助:-)）　　　

　  1. 字符集和字符编码

　　　 字符集（Charset）：是一个系统支持的所有抽象字符的集合。字符是各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等。常见字符集名称：ASCII字符集、GB2312字符集、BIG5字符集、GB18030字符集、Unicode字符集等。

　　　 字符编码（Character encoding）把字符集中的字符编码为指定集合中某一对象，以便文本在计算机中存储和通过通信网络的传递。

　  2. Unicode和UTF-8，UTF-16

　　　 [Unicode]为表达任意语言的任意字符而设计。它使用字节的数字来表达每个字母、符号，或者表意文字(ideograph)。每个数字代表唯一的至少在某种语言中使用的符号。Unicode是字符集，UTF-32/ UTF-16/ UTF-8是三种字符编码方案。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。

　　　 [UTF-16]尽管有Unicode字符非常多，但是实际上大多数人不会用到超过前个以外的字符。因此，就有了另外一种Unicode编码方式，叫做UTF-16(因为16位 = 2字节)。UTF-16将0–65535范围内的字符编码成2个字节。

　　　 [UTF-8]一种针对Unicode的可变长度字符编码，UTF-8使用一至四个字节为每个字符编码。（字符的大小不确定，1到4个字节都有可能）。

字符的问题自己以前总是含混不清，经过这次学习相信有了更深了解，以后还要多多写博客，至少一周一篇，总结工作学习中遇到的小问题，知识点:-)

Best Regards

Kevin Song