http://stauren.net 版权所有，转载请注明出处，谢谢
不敢说完全终极的，不过基本够用吧，里面可能有错的地方，欢迎指正。
说是javascript相关，其实也需要很多html相关和基础的编码知识，让我们开始吧！
在计算机中，我们储存的信息都是用二进制代码来表示的。比如说 'stauren.net' 和 ‘畅哥’ 这样的汉字。这样的非二进制的信息要被转换成二进制，则需要进行编码。
在这里需要先明白2个概念，
charset 和
character encodingcharset 是字符集，也就是某个符号和某个数字映射关系的一个表，也就是它决定了 97 是 stauren.net 的 'a'，30021 是畅哥的“畅”，不同的表有不同的映射关系，如 ascii，gb2312，Unicode
chracter encoding 是编码方式，既，同是 30021 这个数，我们是用 \畅 表示呢，还是用 %E7%95%85 来表示呢？这就是 character encoding
对于 'stauren.net' 这样的 字符串来说，是美国人的常用字符，他们就制定了一个 ASCII 的字符集，全称是 american standard code of information interchange，把0--127这128个码，（2的8次方，0x00-0x7f) 编码了123abc这样的常用的127个字符。一共是 7 bits，原因是计算机的一个 byte 是8个字节，第一个是符号位，要用来去补码反码表示负数什么的，就剩下7位表示含义。唉，美国人就是小气，要是一开始就设计成一个 byte 是16 bits，世界上会少很多问题，不过当时，估计他们觉得 7 bits 就够了，127个不同的字符呢！
介于计算机这玩意儿是美国人搞出来的，所以丫的就图自己省事，把自家用的符号都编码好了，他们用的挺爽的。但当这个东西开始国际化的时候，问题出来了，拿中国举例吧，汉字就好几万，怎么办？后来ascii扩展了一次，扩展到了可以表示256个字符，多了一倍，可惜还是只是杯水车薪。
于是大家没办法，只好在现有的基础上解决这个问题，已有的 8 bits 的系统是基础，不能破坏，不能去改到 16 bits之类的…… 所以只能走另一条路：用多个 ascii 的字符去表示一个字符，也就是传说中的 MBCS ( Multi-Byte Character System，多字节字符系统)
有了这个 MBCS 的概念，我们可以表示更多个字符了，比如我们用 2 个 ascii 字符，就有 16 bits, 理论上有 2 的 16 次方 65536 个字符。但这些编码怎么分配到字符上呢？比如畅哥的"畅"的 Unicode 编码就是 30021，谁决定 是“畅”呢？charset，也就是字符集。ascii就是最基础的一个字符集，在此之上，我们有像 gb2312， big5这样的MBCS的字符集。这些都是小集，最终有个叫 Unicode Consortium 的机构，从1991年开始，发布了第一版 Unicode国际标准，ISBN 0-321-18578-1 什么的，国际标准化组织 ISO 也参与了这个的定制，叫什么 ISO/IEC 10646 : the Universal Character Set，历史我就不多讲了，总之，这个是个基本覆盖了所有已经存在的地球上的符号的字符集了，javascript的标准 ECMA xxxx里面也都规定，js的标准字符集是 Unicode。
对于我们在中国的开发者来说，可能碰到比较多的问题就是 gbk, gb2312, utf-8 互转之类的问题了。可惜的是，这个说法其实都不准确，gbk，gb2312都是字符集，而是是 MBCS中的双字符类的，2个ascii字符代表一个汉字。而utf-8 是一种character encoding，是使用Unicode字符集的一种编码方式，因为Unicode如今主要用UTF-8编码，所以大家就把这几个并列了…… 其实呢，错误的叫法。
有了Unicode这个字符集，大家都很高兴，至少人类文明没有碰到外星人之前，这是一把万能钥匙了，都用它吧。于是，UTF-8 (8-bit S/Unicode Transformation Format) 这种编码方法被发明了出来，它有几个特别好的地方，易于推广：
1，代表Unicode字符集，一劳永逸的事情
2，兼容ascii
第二点是个很大的优点，因为一些陈旧的英美人，觉得为了给第三世界的这些不会英语的穷人方便，需要把它们本来的1byte的编码方式变成2byte的（有种编码就是这样的，stauren我忘了是哪个了……），这样存储空间增大一倍，他们觉得很不划算，所以就一直抗拒抗拒的，加上一些老旧的系统也没法升级，所以…… 但是UTF-8的设计就很好，完全兼容ascii，该是ascii还是ascii，所以，大家都happy。
要把 UTF-8 说清楚呢，就必须引入一个表了:
U-00000000 – U-0000007F: 0xxxxxxx
U-00000080 – U-000007FF: 110xxxxx 10xxxxxx
U-00000800 – U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
U-00010000 – U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U-00200000 – U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
U-04000000 – U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
要看懂这个表呢，我们看前两行就够了
U-00000000 – U-0000007F: 0xxxxxxx 第一行是这样的，意思是说，如果你发现一个utf-8编码是0xxxxxxx，是0开头的， 0-127之间，那么他就是单独的一byte代表一个符号，而且是一个和ascii码完全一样的一 byte。其他所有的utf8编码的二进制值都是1开头的1xxxxxxx，大于127的，而且都需要至少2 bytes才能代表一个符号。这个就是刚才谈到的兼容性，用英文来说，就是utf8编码的两个属性：
S characters U+0000 to U+007F (ASCII) are encoded simply as bytes 0x00 to 0x7F (ASCII compatibility). This means that files and strings which contain only 7-bit ASCII characters have the same encoding under both ASCII and UTF-8.
All S characters >U+007F are encoded as a seqnce of several bytes, each of which has the most significant bit set. Therefore, no ASCII byte (0x00-0x7F) can appear as part of any other character.然后我们看第二行：
U-00000080 – U-000007FF: 110xxxxx 10xxxxxx
先说英文定义的标准吧：
The first byte of a multibyte seqnce that represents a non-ASCII character is always in the range 0xC0 to 0xFD and it indicates how many bytes follow for this character. All further bytes in a multibyte seqnce are in the range 0x80 to 0xBF. This allows easy resynchronization and makes the encoding stateless and robust against missing bytes.在一长串连续的二进制 byte 码中，可能由2个至6个bytes来表示一个符号，那么相比较于用一个 byte 表示符号的ascii码，我们需要空间来储存两个额外信息： 1，这个符号开始处，一个”starter“的位置，用生物学上的话来说，起始因子的位置了；2，这个符号的长度（其实如果每个符号都有 starter，这个长度是可以不提供的，但是提供长度信息增加了在部分bytes丢失时的容错能力）。解决方案是：第一个byte里面的第一位刚才已经被用了，是0表示ascii码，是1表示这不是ascii，所以，我们用第二位的1来代表这一bytes是一个starter，即，一个多字节符号的第一个bytes一定是 11xxxxxx，一个192到255之间的二进制数。接下来，从第三位开始，提供长度信息，没有1了就表示这个符号是2字节的，没多一个1，多一字节。所以utf-8最多定义到了 6 字节字符，需要比 110xxxxx 这样的表示2字节的starter多 4 个 1，所以这个starter就是 1111110x，如上表所示。
真正的信息位（即，真正的charset字符集中的数字信息），是直接用二进制的方式，放在上面这个表的x位上的。用我们中国程序员接触最多的汉字来说吧，它们的编码区间是在 U-00000800 – U-0000FFFF 之间的，所以，用三个字节来表示，还是用 http://stauren.net 的畅哥的"畅"字举例吧，畅字在unicode中的编号是这样的：
畅 : 30021 == 0x7454 == 二进制 111010101000101
在 javascript 中，run这段代码：
alert('\畅');
alert(escape('畅'));
alert(String.fromCharCode('30021'));
alert('畅'.charCodeAt(0));
alert(encodeURI('畅'));
可以看到，string直接量可以用\u+十六进制 Unicode 码的形式得到字符 ’畅‘，而fromCharCode 方法接受 10 进制的 Unicode 码，得到字符 '畅'。
其中第二个alert得到的是 '%畅' , 这是一种不标准的Unicode编码，是属于 URI 的 Percent encoding 一部分，但这种使用方法以及被W3C拒绝了，任何一个RFC中都没有这个标准，ECMA-262 标准中规定了 escape 的这种行为，估计也是暂时的。
比较有意思的是第五次alert得到的 %E7%95%85 这是什么呢？怎么得到的呢？
这就是，传说中的URI上用的比较多的 Percent encoding，百分号编码，RFC 3986 标准中规定的。
RFC 3986 规定，Percent encoding的非保留字如下：
Unreserved characters, per RFC 3986 (Jan ry 2005)
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
a b c d e f g h i j k l m n o p q r s t u v w x y z
0 1 2 3 4 5 6 7 8 9 - _ . ~
也就是说，这些字出现在 URI 中的时候，不进行编码，因为他们和URI的格式没有关系，只是表示原义的字符
另外，保留字如下：
Reserved characters, per RFC 3986 (Jan ry 2005)
! * ' ( ) ; : @ & = + $ , / ? % # [ ]
这些字符，是有特殊意义的，如果在不代表那些特殊意义而代表原意的时候出现，必须经过编码，如下：
Reserved characters after percent-encoding
! * ' ( ) ; : @ & = + $ , / ? % # [ ]
%21 %2A %27 %28 %29 %3B %3A %40 %26 %3D %2B %24 %2C %2F %3F %25 %23 %5B %5D
而 % 号后面就是一个2位的十六进制数，这个数，基本就是 UTF-8 编码…… 具体可能还有详细的地方，stauren我懒得看了，呵呵
回到 '畅' 字为什么是 %E7%95%85 这个问题上来
现在我们知道 '畅' 的 Unicode 编码的二进制形式是：
111010101000101
我们又知道，对于一个二进制的汉字，它的UTF-8编码的形式是：
U-00000800 – U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
现在我们做个填空题，把 '畅’ 二进制切开填进去替换掉 x:
111010101000101 = 111 010101 000101
第一个字节少一位，左边加个0补齐，得到：
11100111 - 10010101 - 10000101
让我们把这三个二进制数转换成16进制：
alert(
'%' + parseInt('11100111', 2).toString(16) +
'%' + parseInt('10010101', 2).toString(16) +
'%' + parseInt('10000101', 2).toString(16)
)
怎么样，得到 %E7%95%85 了吧。
另外，再介绍一下 HTML 中的 Numeric character reference
相信大家都知道，HTML中的特殊字符是需要编码的，比如 & 需要被编码为： & 还有 ® 这样的特殊字符。其实HTML也是可以利用 Unicode 编码来显示任何一个字符的，编辑一个如下的html文件：
<html>
<body>
畅
畅
畅
</body>
</html>
看到了吧，三个“畅”字。
以上基本就是 javascript 和 html 中常用到的编码和原理，最后再说一点，很多很多的黑客行为都和编码有关，用编码后的代码来通过一些简单的过滤，如下js代码：
var a = '畅哥';
\a = 'stauren.net';
alert(a);
看出来了吧。
编码工具
http://stauren.net/lab
评论