多语言表单的编码

问题

表单中如果有多种语言和文字，如何处理可能的编码问题？

答案

处理HTML表单中的编码问题的最好方式，是以UTF-8编码提供所有页面。UTF-8编码可显示最广泛的语言属性。浏览器会返回与表单网页中包含的编码格式相同的格式数据，因此使用者可以以其熟悉的任何语言和脚本填写表单数据。

以下是确保成功执行过程的必要步骤。首先，需要告知浏览器表单页面使用UTF-8编码。有多种不同的方法可以告知浏览器您当前页面的编码。不管在哪种情况下，告知浏览器表单页面的编码都极为重要，特别是在表单页面只含有US-ASCII编码字符的情况下，因为使用者可以输入非US-ASCII编码的字符。

其次，脚本在接收格式数据时，将会核对返回数据是否确实使用了UTF-8编码，以应付有可能出现的错误，例如使用者于填写表单时改变了编码。UTF-8编码拥有其他编码所没有的非常具体的字节模式，这使检验成为可能。如果接收到非UTF-8编码的数据，浏览器将返回错误信息给使用者。

例如，在使用Perl时，可用以下的正则表达式来测试页面是否使用了UTF-8编码：

$field =~
  /\A(
     [\x00-\x7F]      				      # ASCII
   | [\xC2-\xDF][\x80-\xBF]             # non-overlong 2-byte
   |  \xE0[\xA0-\xBF][\x80-\xBF]        # excluding overlongs
   | [\xE1-\xEC\xEE\xEF][\x80-\xBF]{2}  # straight 3-byte
   |  \xED[\x80-\x9F][\x80-\xBF]        # excluding surrogates
   |  \xF0[\x90-\xBF][\x80-\xBF]{2}     # planes 1-3
   | [\xF1-\xF3][\x80-\xBF]{3}          # planes 4-15
   |  \xF4[\x80-\x8F][\x80-\xBF]{2}     # plane 16
  )*\z/x;

以上表达式可转换成其他编程语言。这样就能处理各类问题，例如过长的错误编码以及非法的代理（surrogate）使用。$field 属于UTF-8编码时就会顺利返回，否则失败。

我们可以通过添加应用程序相关的限制来定制这个正则表达式。例如，我们可以把[\x00-\x7F]替换成[\x09\x0A\x0D\x20-\x7E]来排除很多控制字符。