发布新帖
文章
· 七月 16, 2023 阅读大约需 13 分钟

一篇文章了解`IRIS/Caché`编码方案

#Caché #InterSystems IRIS for Health

一篇文章了解IRIS/Caché编码方案

一直以来，编码问题像幽灵一般，不少开发人员都受过它的困扰。

试想你请求一个数据，却得到一堆乱码，丈二和尚摸不着头脑。有同事质疑你的数据是乱码，虽然你很确定传了UTF-8 ，却也无法自证清白，更别说帮同事 debug 了。

有时，靠着百度和一手瞎调的手艺，乱码也能解决。尽管如此，还是很羡慕那些骨灰级程序员。为什么他们每次都能犀利地指出问题，并快速修复呢？原因在于，他们早就把编码问题背后的各种来龙去脉搞清楚了。

ASCII

标准ASCII 码，使用7 位二进制数（最高位为0）来表示所有的大写和小写字母，数字0 到9、半角标点符号，以及在英语中使用的特殊控制符号。

最早只有127个字母被编码到计算机里，也就是大小写英文字母、数字和一些符号，这个编码表被称为ASCII编码，比如大写字母a的编码是97，小写字母z的编码是122。

在IRIS/Caché中获取字符ASCII码与二进制字符串，如下代码示例：

USER>w $a("a")
97
USER>w ##class(M.Code).LogicalToDisplay(97)
10000110

经过如下二进制转十进制计算可得出 1+32+64 = 97

2**0 + 2**5 + 2**6 = 97

Unicode

GB2312 、 GBK 与 GB18030 都是中文编码字符集。不同国家也推出了自己的字符集和编码方案，彼此不兼容。例如中文编码集，在日文系统无法正常显示，无法适应全球化应用。为了适应全球化，由统一码联盟开发，指定了统一码（Unicode），也叫万国码、单一码，是计算机科学领域里的一项业界标准，包括字符集、编码方案等。

Unicode已经收录的字符数量已经超过 13 万个，每个字符需占用超过 2 字节。由于常用编程语言一般没有 24 位数字类型，因此一般用 32 位数字表示一个字符。如果要用到非常偏僻的字符，就需要4个字节这样一来。同样的一个英文字母，在 ASCII中只需占用 1 字节，在 Unicode 则需要占用4 字节！

在IRIS/Caché中获取字符Unicode编码，如下代码示例：

ClassMethod UnicodeEncode(str As %String) As %String
{
    q $replace($zcvt(str, "O", "URL"),"%","\")
}

USER>w ##class(Util.Impl.EncryptionUtils).UnicodeEncode("姚鑫")
\u59DA\u946B

UTF8

UTF-8是Unicode的实现方式之一。UTF-8是一种 Unicode 的编码方式，主要作用对 Unicode 码的数据进行转换，转换后方便存储和网络传输。本着节约的精神，又出现了把Unicode编码转化为“可变长编码”的UTF-8编码(unicode transformation format)。UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符，用UTF-8编码就能节省空间。

Unicode符号范围 (十六进制) UTF-8编码方式（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

在IRIS/Caché中获取字符ASCII码与UTF8十六进制字符串，如下代码示例：

USER>w $a("鑫")
37995
USER>w $zhex(37995)
946B

GB2312、GBK和GB18030

ASICII、GB2312、GBK、GB18030 之间的关系可以用下图表示：

image

GB2312 兼容 ASICII 编码, GBK 兼容 GB2312 编码，GB18030 兼容 GB2312 编码 和 GBK 编码。

实际生活中，我们用到的 99% 的汉字，都属于 GB2312 编码范围 ，GB2312 每个编码对应的是哪个汉字可以参考 GB2312简体中文编码表， GBK 编码可以参考 GBK编码表， GB18030 可以参考 GB18030-2005 文档。

那么GB系列是如何兼容ASCII码的呢?

在 GB系列中，如果一个字节最高位 b8 为 0 ，该字节便是单字节编码，即 ASCII 码。如果字节最高位 b8 为 1 ，它就是双字节编码的首字节，与其后字节一起表示一个字符。

下图为GBK码表：

image

可以根据码表查对应汉字或全角字符对应的十六进制码表值，图中全角符号《对应的GBK码表值为A1B6。

ASICII、GB2312、GBK、GB18030 、Unicode之间的关系可以用下图表示：

image

ANSI

不同的国家和地区制定了不同的标准，由此产生了 GB2312、GBK、GB18030、Big5、Shift_JIS 等各自的编码标准。这些使用多个字节来代表一个字符的各种汉字延伸编码方式，称为 ANSI 编码。在简体中文Windows操作系统中，ANSI 编码代表 GB2312编码；在繁体中文Windows操作系统中，ANSI编码代表Big5；在日文Windows操作系统中，ANSI 编码代表 JIS 编码。

下图中文Windows环境中的ANSI编码为GB18030.

image

在IRIS/Caché中验证ANSI是否为GB18030

ClassMethod GBK(filename)
{
    s stream = ##class(%Stream.FileCharacter).%New()
    #; 默认使用GB18030解码
    s stream.TranslateTable = "GB18030"
    s stream.Filename = filename
    w "字符长度：",stream.Size,!
    while 'stream.AtEnd {
        s line = stream.Read()
        w line,!
    }
    q $$$OK
}

USER>w ##class(M.Code).GBK("E:\m\code\gbk.txt")
字符长度：94
《过零丁洋》宋朝·文天祥

辛苦遭逢起一经，干戈寥落四周星。

山河破碎风飘絮，身世浮沉雨打萍。

惶恐滩头说惶恐，零丁洋里叹零丁。

人生自古谁无死？留取丹心照汗青。

1

在程序中还是用GB18030编码方式可以解析出中文，所以验证ASNI在中文环境中的编码格式为GB18030，如果是GB2312也可以正常解析出，因为是GB18030是向下兼容的。

手写解析UTF8编码

首先创建一个UTF8的txt文件。

image

通过如下代码去解析UTF8文件，其中代码s stream.TranslateTable = "UTF8"指定解析方式。

ClassMethod UTF8(filename)
{
    s stream = ##class(%Stream.FileCharacter).%New()
    s stream.Filename = filename
    s stream.TranslateTable = "UTF8"
    w "字符长度：",stream.Size,!
    while 'stream.AtEnd {
        s line = stream.Read()
        w line,!
    }
    q $$$OK
}

可以正常解析出：

USER>w ##class(M.Code).UTF8("E:\m\code\utf8.txt")
字符长度：94
《过零丁洋》宋朝·文天祥

辛苦遭逢起一经，干戈寥落四周星。

山河破碎风飘絮，身世浮沉雨打萍。

惶恐滩头说惶恐，零丁洋里叹零丁。

人生自古谁无死？留取丹心照汗青。

1

如果不指定s stream.TranslateTable = "UTF8"该代码将会得到如下数据：

USER>w ##class(M.Code).UTF8("E:\m\code\utf8.txt")
字符长度：133
銆婅繃闆朵竵娲嬨?嬪畫鏈澛锋枃澶╃ゥ

杈涜嫤閬?㈣捣涓?缁忥紝骞叉垐瀵ヨ惤鍥涘懆鏄熴??

灞辨渤鐮寸椋庨绲紝韬笘娴矇闆ㄦ墦钀嶃??

鎯舵亹婊╁ご璇存兌鎭愶紝闆朵竵娲嬮噷鍙归浂涓併??

浜虹敓鑷彜璋佹棤姝伙紵鐣欏彇涓瑰績鐓ф睏闈掋??

1

那么在无法指定编码方式的字符串当中，该如何解析UTF8编码呢？根据UTF8的编码规则编写如下RAW2UTF8方法。

方法逻辑如下：

  1. 读取1个首部字符判断UTF8所占字节大小。
  2. 获取该字符的2进制字符串。
  3. 如果为ASCII码，长度小于8位，高位补0。
  4. 如果UTF8为4字节，一般为不常见的汉字。

  5. 如果UTF8为3字节，一般为常用汉字。

    1. 去掉标识高位
    2. 取剩余字符
    3. 将剩余字符进行二进制字符串拼接
    4. 获取该字符的十进制ASCII

  6. 如果UTF8为1字节ASCII码直接取值。

ClassMethod RAW2UTF8(stream As %Stream.FileBinary) As %String
{
    s str = ""

    while 'stream.AtEnd {

        #; 读取1个首部字符判断UTF8所占字节大小
        s content = stream.Read(1)

        #; 获取该字符的2进制字符串
        s ascii = $a(content)
        s highBit = ..LogicalToDisplay(ascii)

        #; 长度小于8位，高位补0
        if ($l(highBit) < 8) {
            s highBit = highBit _ ..Repeat(0, 8 - $l(highBit))
        }

        #; UTF8，4字节，一般为不常见的汉字
        if ($e(highBit,4, *) = "01111") {
            s bitStr =  $e(highBit, 1, 5)
            for i = 1 : 1 : 3 {
                s lowChar = stream.Read(1)
                s bitStr = $e(..LogicalToDisplay($a(lowChar)), 1, 6) _ bitStr 
            }
            s utf8num = ..BitToDec(bitStr)

        #; UTF8，3字节，一般为汉字
        } elseif ($e(highBit, 5, *) = "0111") {

            #; 去掉标识高位
            s bitStr =  $e(highBit, 1, 4)

            #; 取剩余字符
            for i = 1 : 1 : 2 {
                s lowChar = stream.Read(1)

                #; 将剩余字符进行二进制字符串拼接
                s bitStr = $e(..LogicalToDisplay($a(lowChar)), 1, 6) _ bitStr 
            }

            #; 获取该字符的十进制ASCII
            s utf8num = ..BitToDec(bitStr)

        #; UTF8，2字节
        } elseif ($e(highBit, 6, *) = "011") {
            s bitStr =  $e(highBit, 1, 3)
            for i = 1 : 1 : 1 {
                s lowChar = stream.Read(1)
                s bitStr = $e(..LogicalToDisplay($a(lowChar)), 1, 6) _ bitStr 
            }
            s utf8num = ..BitToDec(bitStr)

        #; UTF8，1字节 ASCII码
        } elseif ($e(highBit, 8, *) = "0") {
            s bitStr =  highBit
            s utf8num = ..BitToDec(bitStr)

        }
        s str = str _ $c(utf8num)
    }

    q str
}

通过该RAW2UTF8方法去解析直接的乱码。

注：这里直接通过%Stream.FileBinary方式去解析文件流，解析出来的是不包含编码格式，为二进制串。

ClassMethod TestRAW2UTF8(filename)
{
    s stream = ##class(%Stream.FileBinary).%New()
    s stream.Filename = filename
    s str = ..RAW2UTF8(stream)
    q str
}

通过该方法就可以解析出常见的UTF8乱码。

USER> w ##class(M.Code).TestRAW2UTF8("E:\m\code\utf8.txt")
《过零丁洋》宋朝·文天祥

辛苦遭逢起一经，干戈寥落四周星。

山河破碎风飘絮，身世浮沉雨打萍。

惶恐滩头说惶恐，零丁洋里叹零丁。

人生自古谁无死？留取丹心照汗青。

手写解析GB18030编码

首先创建一个GB18030编码格式的文件。之前已经验证ANSI能编码格式为GB18030编码格式

image

在编写解析GB18030编码之前，需要将码表导入到系统当中：

ClassMethod ImportGB1830Table(filename As %String) As %String
{
    s stream = ##class(%Stream.FileCharacter).%New()
    s stream.Filename = filename
    w stream.Size,!
    while 'stream.AtEnd {
        s str = stream.ReadLine()
        s char = $e(str, 2)
        s word = $replace($p(str, ",", 1), char, "")
        s gbkCode = $replace($p(str, ",", 2), char, "")
        s unicode = $replace($p(str, ",", 3), char, "")
        continue:(unicode = "")
        s ^GB18030(gbkCode) = word
    }
    q $$$OK
}

 w ##class(M.Code).ImportGB1830Table("E:\m\code\GB18030对照表.csv")

查看导入的码表Global

USER>zw ^GB18030
^GB18030(8140)="丂"
^GB18030(8141)="丄"
^GB18030(8142)="丅"
^GB18030(8143)="丆"
^GB18030(8144)="丏"
...
^GB18030(9481)="攣"
^GB18030(9482)="攤"
^GB18030(9483)="攦"
^GB18030(9484)="攧"
^GB18030(9485)="攨"
^GB18030(9486)="攩"
^GB18030(9487)="攪"

根据UTF8的编码规则编写如下RAW2UTF8方法。

方法逻辑如下：

  1. 读取1个首部字符判断UTF8所占字节大小。
  2. 如果高为0为ASCII直接解析即可。
  3. 如果高为1直接根据对照码表直接解析即可。
ClassMethod RAW2GB18030(stream As %Stream.FileBinary) As %String
{
    s str= ""

    while 'stream.AtEnd {
        //s line = stream.Read(2)

        #; 读取1个首部字符判断UTF8所占字节大小
        s content = stream.Read(1)

        #; 获取该字符的2进制字符串
        s ascii = $a(content)
        s highBit = ..LogicalToDisplay(ascii)

        #; 长度小于8位，高位补0
        if ($l(highBit) < 8) {
            s highBit = highBit _ ..Repeat(0, 8 - $l(highBit))
        }
        if ($e(highBit, 8, *) = "0") {
            s bitStr =  highBit
            s ascii = ..BitToDec(bitStr)
            s char = $c(ascii)
        } else {
            s hex = ""
            s hex = hex _ $zhex($a(content))
            s content = stream.Read(1)
            s hex = hex _ $zhex($a(content))

            if ($d(^GB18030(hex))) {
                s char = $g(^GB18030(hex))
            }
        }

        s str = str _ char


    }
    q str
}

通过该RAW2GB18030方法去解析18030编码。

ClassMethod TestRAW2GB18030(filename)
{
    s stream = ##class(%Stream.FileBinary).%New()
    s stream.Filename = filename
    s str = ..RAW2GB18030(stream)
    q str
}

USER>w ##class(M.Code).TestRAW2GB18030("E:\m\code\gbk.txt")
《过零丁洋》宋朝·文天祥

辛苦遭逢起一经，干戈寥落四周星。

山河破碎风飘絮，身世浮沉雨打萍。

惶恐滩头说惶恐，零丁洋里叹零丁。

人生自古谁无死？留取丹心照汗青。

在IRIS/Caché中哪些情况如要指定编码

  • 读取文件需要指定编码，示例如下：
    • s stream.TranslateTable = "UTF8"
ClassMethod UTF8(filename)
{
    s stream = ##class(%Stream.FileCharacter).%New()
    s stream.Filename = filename
    s stream.TranslateTable = "UTF8"
    w "字符长度：",stream.Size,!
    while 'stream.AtEnd {
        s line = stream.Read()
        w line,!
    }
    q $$$OK
}
  • 在读取HTTP请求时需要指定编码，示例如下：
    • s request.ContentCharset="UTF-8"
ClassMethod HttpGetDemo() As %String
{
    /* 定义request对象 */
    #dim request as %Net.HttpRequest= ##class(%Net.HttpRequest).%New()

    /* 请求地址不用加http:// */
    s request.Server = "192.168.1.21"
    //s request.ContentType
    /* Timeout指定等待web服务器响应的时间，以秒为单位。 缺省值是30秒。 */
    s request.Timeout = 5

    /* WriteTimeout指定等待Web服务器完成写入的时间(以秒为单位)。默认情况下，它将无限期等待。可接受的最小值为2秒。 */
    s request.WriteTimeout = 5

    #;指定编码
    s request.ContentCharset="UTF-8"

    /* 添加地址对象参数 */
    d request.InsertParam("CacheUserName", "yx")
    d request.InsertParam("CachePassword", "123456")
    d request.InsertParam("CacheNoRedirect", "1")
    d request.InsertParam("ClassName", "PHA.PCCP.MOB.API")
    d request.InsertParam("MethodName", "GetPhaWardRound")
    d request.InsertParam("params", "172#O")

    /* 设置cookies 防止占用多个lic */
    d:($g(%cookies) '= "") request.SetHeader("cookie", %cookies)

    /* 请求地址路径 */
    s status = request.Get("/dthealth/web/csp/pha.mob.broker.csp")

    if (status '= 1) {
        d $System.Status.DisplayError(status) 
        q "请求失败"
    }

    /* 定义response对象 */
    #dim response as %Net.HttpResponse  = request.HttpResponse

    /* 获取HTTP状态码 */
    s statusCode= response.StatusCode
    if (statusCode = 200){

        /* 获取头信息两种方式(一) */
        s encoding = response.GetHeader("CONTENT-ENCODING")

        /* 获取头信息两种方式(二) */
        s cookie = response.Headers("SET-COOKIE")
        s %cookies = $p(cookie, ";", 1)

        w "输出所有头部信息：",!
        d response.OutputHeaders()
        w !

        /* 获取流数据 */
        #dim stream as  %GlobalBinaryStream = response.Data
        s data = stream.Read()
    }

    q $g(data)
}
  • 读取xml时需要指定编码。
<?xml version='1.0' encoding='UTF-8'?>
  • HL7数据格式时需要指定编码。
Class IHE.Msg.MSH Extends (%Persistent, %JSON.Adaptor)
{

Property FieldSeparator(CAPTION = "字段分隔符") [ InitialExpression = "|", Required ];

Property EncodingCharacters(CAPTION = "编码字符") [ InitialExpression = "^~\&", Required ];

...

Property CharacterSet(CAPTION = "字符集") [ InitialExpression = "UTF-8" ];

}

image

获取系统默认的编码格式

USER>w $$GetPDefIO^%SYS.NLS(3)
GB18030

判断文件BOM的编码格式

BOM（Byte Order Mark），字节顺序标记，出现在文本文件头部，Unicode编码标准中用于标识文件是采用哪种格式的编码。

注：大多数文本文件都不含有BOM。

  • 判断是否为UTF8BOM
ClassMethod IsUTF8BOM(filename As %String) As %Boolean
{
    s file = ##class(%FileBinaryStream).%New()
    s file.Filename = filename
    s bom = file.Read(3, .sc)
    if (bom = $c(239, 187, 191)) { 
        q $$$YES
    } 
    q $$$NO
}
  • 判断判断是否为GB18030BOM
ClassMethod IsGB18030BOM(filename As %String) As %Boolean
{
    s file = ##class(%FileBinaryStream).%New()
    s file.Filename = filename
    s bom = file.Read(4, .sc)
    if (bom = $c(132, 49, 149, 51)) {
        q $$$YES
    } 
    q $$$NO
}
  • 判断文件是否为UTF16BOM
ClassMethod IsUTF16BOM(filename As %String) As %Boolean
{
    s file = ##class(%FileBinaryStream).%New()
    s file.Filename = filename
    s bom = file.Read(2, .sc)
    if (bom =  $c(255, 254) || bom = $c(254, 255)) {
        q $$$YES
    } 
    q $$$NO
}
  • 判断文件是否有BOM
ClassMethod IsBOM(filename As %String) As %Boolean
{
    q:(..IsUTF8BOM(filename)) $$$YES
    q:(..IsUTF16BOM(filename)) $$$YES
    q:(..IsGB18030BOM(filename)) $$$YES
    q $$$NO
}

总结

  • 通过了解常见的编码格式与原理，可以在遇到乱码时，知道如何去处理。
  • 在国内环境中，使用手动解析UTF8与GB18030两种解码方法，可以满足日常遇到的99%乱码问题。

以上是个人对常见编码的一些理解，由于个人能力有限，欢迎大家提出意见，共同交流。

讨论 (0)1
登录或注册以继续