第二章 网站开发基础之HTML教程 - 三、HTML及网页相关的知识点：网页编码

网页编码

    在我们之前的演示例子中，网页编码都使用了utf-8编码，如：

    HTML代码中的 指定了网页的编码为utf-8。
    网页编码涉及的知识点比较多，总的说来它也是一个历史遗留问题。
    第一台计算机（ENIAC）于1946年2月诞生于美国，当时美国只考虑自己使用，并在计算机诞生后的几年里制定了一套ASCII码标准（American Standard Code for Information Interchange，美国信息交换标准代码），它是基于拉丁字母的一套电脑编码系统，主要用于显示现代英语和其他西欧语言。
    ASCII码使用8位二进制数组合来表示256种可能的字符（2的8次方=256），包含了大小写字母，数字0到9，标点符号，以及在美式英语中使用的特殊控制字符。一个字符占1个字节。ASCII码表部分编码如下：

    我们之前有说过HTML的转义符（字符实体），比如符号“<”的转义符为“<”或“<”，其中的数字编号“60”即是ASCII码表的第60序号。类似的，大写字母“K”也可以转义为“K”。
    我们使用转义符做个试验：

（图2-45）

    美国制定ASCII码的意思是：ASCII码可以满足在计算机领域所有字符和表示上的需要。不过这只是美国自己的意思，毕竟所有的英文单词都可以拆分来自26个英文字母，ASCII码表能表达256个字符，确实足够美国使用。
    后来世界各地也都开始使用计算机，很多国家的语言文字并不是英文，这些国家的文字都没被包含在ASCII码表里。以我们中国为例，汉字近10万个，根本无法排进ASCII码表。于是我们国家对ASCII码表进行拓展并形成自己的的一套标准，在标准中一个汉字占2个字节，新的码表可以表达65536个汉字。但一开始并没有将码表全部填充使用完，只收录了常用的6000多个汉字、英文及其它符号，这套标准称为GB2312（信息交换用汉字编码字符集，GB是“国家标准”的简化词“国标”的拼音首字母缩写，2312是国标序号）。后来又制定了一套收录更多汉字的标准（收录的汉字有2万多个），称为GBK（汉字编码扩展规范，K是“扩”的拼音首字母）。
    在GB2312或GBK里，许多标点符号都使用2个字节进行了重新编码，这类占2个字节的标点符号称为“全角”字符（“全角”也称“全形”或“全宽”或“全码”），原来ASCII码表中占1个字节的标点符号则称为“半角”字符（“半角”也称“半形”或“半宽”或“半码”）。全角的逗号、括号、句号等与半角是不一样的：

（图2-46）

    在中文输入法下，默认的标点符号是全角字符；在英文输入法下，标点符号则是半角字符。
    我们接着讲故事：随着使用计算机的国家越来越多，各个国家制定自己的计算机编码标准的情况也越来越多，导致的结果是：各国计算机的编码互不支持、认识。比如在美国的计算机里要显示汉字，则必须安装汉字系统才可以，否则中文文件在美国系统的计算机中打开便是乱码。
    就这样，在这个时期催生出了一个叫ISO的国际组织（International Organization for Standardization，国际标准化组织），着手解决各国的编码问题。ISO统一制作了一个称为UNICODE（统一码、万国码、单一码，Universal Multiple-Octet Coded Character Set，又简称为UCS）的编码方案，用于收录地球上所有文字和符号。UNICODE字符分为17组编排，每组编排称为平面（Plane），每个平面拥有65536个码位，共计可以收录1114112个字符（111万个字符，足够大的容量）。UNICODE编码统一一个字符占2个字节。
    但UNICODE在很长一段时间内无法推广，直到互联网的出现，数据的传输与交换使各国之间的编码进行统一化成为迫切的需要。但早期的硬盘和网络流量都非常昂贵，UNICODE编码里的每个字符却占用了2个字节的容量，于是为了节省文件存储时所占的硬盘空间，也为了节省字符在网络传输过程中所占用的网络流量，又制定了基于UNICODE、面向传输的众多标准，这些面向传输的标准统称为UTF（UCS Transfer Format）。UNICODE编码与UTF编码并不是直接的一一对应，而是要通过一些算法和规则来转换。UNICODE与UTF的关系是：UNICODE是根本、基础、目的，而UTF只是一种实现UNICODE的手段、方法、过程。
    常见的UTF格式有：UTF-8，UTF-16，UTF-32。其中UTF-8是互联网上使用最广的一种UNICODE的实现方式，它专为传输而设计。正因为UTF-8是基于UNICODE而设计的传输实现方式，所以它能使编码无国界，任意国家的文字都能在任意国家的电脑浏览器中里正常显示。UTF-8最大的一个特点是：它是一种变长的编码方式，它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度，当能够使用1字节表示一个符号时，便使用1个字节来表示，如果需要2字节才能表示的符号，便使用2个字节来表示，类推，直到4个字节，从而节省硬盘存储空间和网络流量。
    所以我们的网站在开发时如果使用GB2312或GBK编码，当别的国家的电脑不支持汉字编码，那么看到的将是乱码，显示出来类似这样：口口口口口。而网站如果使用UTF-8编码，则任意国家的电脑在打开网站时其内容会自动转换成UNICODE编码，并且由于现在的电脑都支持UNICODE编码，从而能正常显示任意文字！
    但是国内很多的网站仍然使用GB2312或GBK编码，这类网站通常只面对国内用户提供服务，面对国内用户不会有显示上的问题。只是如果面对其他国家的浏览者，这类网站被打开时很大程度上将呈现乱码。
    为了网站的高兼容性与国际化，推荐网站使用UTF-8编码，而不是使用GB2312或GBK编码。
    指定网页为UTF-8、GB2312和GBK的标签分别为：

    那么有一个问题出现了：网页各种编码的区别，仅仅是在于这一行meta标签的设置差别吗？仅仅是“utf-8”这5个字符换成“gb2312”这6个字符之类的这种“小差别”吗？
    不是的，差别不仅仅是这几个字符的差别。当网页指定meta标签中的编码为utf-8后，DreamWeaver在保存网页时会自动将网页文件保存为utf-8的编码格式（二进制码使用utf-8的编码格式），meta标签中的utf-8编码是为了告诉浏览器：这个网页用的是utf-8编码，请在显示时使用utf-8编码的格式解析并呈现出来；而如果meta标签中指定编码为gb2312，DreamWeaver在保存网页时会自动将网页文件保存为gb2312的编码格式（二进制码使用gb2312的编码格式），同样，meta标签中的gb2312编码只是为了告诉浏览器：这个网页用的是gb2312编码，请在显示时使用gb2312编码的格式解析并呈现出来。我们做个试验，将一个文本文件分别保存为utf-8格式（打开记事本新建文本文件，输入内容后，选择菜单：文件→另存为，编码选择为UTF-8）和gb2312格式（另存时编码选择为ANSI，ANSI代表当前操作系统的默认编码，在简体中文Windows操作系统中，ANSI 编码代表 GBK 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 Shift_JIS 编码，类推），对比其二进制数据。这里使用UltraEdit-32文件编辑器对文本文件进行16进制查看，即使用16进制查看文件的二进制数据：

（图2-47）

    从（图2-47）中可以看到，使用utf-8编码和使用gb2312编码保存的文件，其二进制数据是不一样的，即这两个文件的二进制数据内容是不一样的。记事本软件在打开文本文件时，会尝试识别文件的编码并进行解析和显示，即文字保存在记事本里，无论保存成utf-8编码还是gb2312编码，通常情况下记事本都能正常识别和显示，不需要在文件里额外记录数据以告知记事本该文件是什么编码。但很多软件却无法做到智能识别文本文件的编码，这就要求文本文件在保存时，必须附带一些特殊的内容（额外的数据）以告知该文件是什么编码。UNICODE规范中有一个BOM（Byte Order Mark）的概念，就是字节序标记，在文件头部开始位置写入三个字节（EF BB BF）以告知该文件是utf-8编码格式。但这个BOM又带出了新的问题：不是所有的软件或处理程序都支持BOM，即不是所有的软件或处理程序都能识别文件开头的（EF BB BF）这三个字节。当不支持识别时，这三个字节又会被当成文件的实际数据内容。早期的火狐不支持对BOM的识别，当遇到BOM时会对这三个字节显示出特殊的乱码符号；而到目前为止，PHP处理程序仍然不支持BOM，即当一个PHP文件保存为utf-8时，如果附带了BOM，那么PHP处理程序会将BOM解析为PHP文件的实际数据内容而导致出错！在DreamWeaver中，选择软件头部菜单：修改→页面属性（也可以直接按快捷键ctrl+j），在弹出的页面属性面板中点选“标题/编码”，即可看到可供选择的编码。通常在改变网页的编码时，使用这种方式改变。如下图：

（图2-48）

    所以：当我们在meta标签中设置为utf-8编码格式时，网页文件就必须要存储为utf-8格式，这样浏览器才能正常显示网页而不是显示乱码。如果在meta标签中设置utf-8编码格式，网页文件却保存为gbk或其它格式，那么在打开网页时浏览器会接到网页meta标签中格式的通知：使用utf-8编码格式来解析和显示网页，而网页的二进制码（数据内容）却为gbk编码或其它格式，显示出来就会是乱码！这好比相亲时，红娘手里的资料有误，错误的告知男方：女方讲英语（meta标签中设置为utf-8编码）。结果女方却不懂英语（文件却不是utf-8编码）。男方开口一句“Hello”就让女方不知所谓了（乱码）。
    我们来实验一下，网页指定meta标签中的编码为utf-8，文件却保存为gbk格式：我们先用DreamWeaver编辑一个utf-8格式的网页并保存，然后再用记事本打开该网页，另存为，编码选择为ANSI。

本文件使用dreamweaver保存后，再使用记事本打开，并另存为ANSI编码。

在浏览器中的执行结果如下：

（图2-49）

    综上所述：网页开发时，尽量使用utf-8编码格式，并且在保存文件时，保存为utf-8编码。（dreamweaver在保存网页文件时，会根据所指定的编码自动保存为正确的对应编码，但如果使用其它网站代码编辑器，比如记事本、Editplus等，就需要注意，在保存文件时要选择为正确的编码）。