编码一直是让新手头疼的问题&＃xff0c;特别是 GBK、GB2312、UTF-8 这三个比较常见的网页编码的区别&＃xff0c;更是让许多新手晕头转向&＃xff0c;怎么解释也解释不清楚。但是编码又是那么重要&＃xff0c;特别在网页这一块。如果你打出来的不是乱码&＃xff0c;而网页中出现了乱码&＃xff0c;绝大部分原因就出在了编码上了。此外除了乱码之外&＃xff0c;还会出现一些其他问题&＃xff08;例如&＃xff1a;IE6 的 CSS 加载问题&＃xff09;等等。我写本文的目的&＃xff0c;就是要彻底解释清楚这个编码问题&＃xff01;如果你遇到了类似的问题&＃xff0c;那就要仔细的看看这篇文章。
ANSI、GBK、GB2312、UTF-8、GB18030和 UNICODE
这几个编码关键词是比较常见的&＃xff0c;虽然我把我们放在了一起说&＃xff0c;但并不意味这这几个东西是平级的关系。本部分的内容&＃xff0c;引用自网络略有修改&＃xff0c;不知原文出处&＃xff0c;故无法署名。
很久很久以前&＃xff0c;有一群人&＃xff0c;他们决定用8个可以开合的晶体管来组合成不同的状态&＃xff0c;以表示世界上的万物&＃xff0c;他们把这称为”字节”。再后来&＃xff0c;他们又做了一些可以处理这些字节的机器&＃xff0c;机器开动了&＃xff0c;可以用字节来组合出很多状态&＃xff0c;状态开始变来变去&＃xff0c;他们就把这机器称为”计算机”。
开始计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。他们把其中的编号从0开始的32种状态分别规定了特殊的用途&＃xff0c;一但终端、打印机遇上约定好的这些字节被传过来时&＃xff0c;就要做一些约定的动作。遇上 00×10, 终端就换行&＃xff0c;遇上0×07, 终端就向人们嘟嘟叫&＃xff0c;例好遇上0x1b, 打印机就打印反白的字&＃xff0c;或者终端就用彩色显示字母。他们看到这样很好&＃xff0c;于是就把这些0×20以下的字节状态称为”控制码”。
他们又把所有的空格、标点符号、数字、大小写字母分别用连续的字节状态表示&＃xff0c;一直编到了第127号&＃xff0c;这样计算机就可以用不同字节来存储英语的文字 了。大家看到这样&＃xff0c;都感觉很好&＃xff0c;于是大家都把这个方案叫做 ANSI 的”Ascii”编码&＃xff08;American Standard Code for Information Interchange&＃xff0c;美国信息互换标准代码&＃xff09;。当时世界上所有的计算机都用同样的ASCII方案来保存英文文字。
后来计算机发展越来越广泛&＃xff0c;世界各国为了可以在计算机保存他们的文字&＃xff0c;他们决定采用127号之后的空位来表示这些新的字母、符号&＃xff0c;还加入了很多画表格时需要用下到的横线、竖线、交叉等形状&＃xff0c;一直把序号编到了 最后一个状态255。从128到255这一页的字符集被称”扩展字符集”。但是原有的编号方法&＃xff0c;已经再也放不下更多的编码。
等中国人们得到计算机时&＃xff0c;已经没有可以利用的字节状态来表示汉字&＃xff0c;况且有6000多个常用汉字需要保存呢。于是国人就自主研发&＃xff0c;把那些127号之后的奇异符号们直接取消掉。规定&＃xff1a;一个小于127的字符的意义与原来相同&＃xff0c;但两个大于127的字符连在一起时&＃xff0c;就表示一个汉字&＃xff0c;前面的一个字节&＃xff08;他称之为高字节&＃xff09;从0xA1用到 0xF7&＃xff0c;后面一个字节&＃xff08;低字节&＃xff09;从0xA1到0xFE&＃xff0c;这样我们就可以组合出大约7000多个简体汉字了。在这些编码里&＃xff0c;我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了&＃xff0c;连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码&＃xff0c;这就是常说的”全角”字符&＃xff0c;而原来在127号以下的那些就叫”半角”字符了。
中国人民看到这样很不错&＃xff0c;于是就把这种汉字方案叫做 “GB2312″。GB2312 是对 ASCII 的中文扩展。
但是中国的汉字太多了&＃xff0c;后来还是不够用&＃xff0c;于是干脆不再要求低字节一定是127号之后的内码&＃xff0c;只要第一个字节是大于127就固定表示这是一个汉字的开始&＃xff0c;不管后面跟的是不是 扩展字符集里的内容。结果扩展之后的编码方案被称为 GBK 标准&＃xff0c;GBK 包括了 GB2312 的所有内容&＃xff0c;同时又增加了近20000个新的汉字&＃xff08;包括繁体字&＃xff09;和符号。后来少数民族也要用电脑了&＃xff0c;于是我们再扩展&＃xff0c;又加了几千个新的少数民族的字&＃xff0c;GBK 扩成了 GB18030。从此之后&＃xff0c;中华民族的文化就可以在计算机时代中传承了。
因为当时各个国家都像中国这样搞出一套自己的编码标准&＃xff0c;结果互相之间谁也不懂谁的编码&＃xff0c;谁也不支持别人的编码。当时的中国人想让电脑显示汉字&＃xff0c;就必须装上一个”汉字系统”&＃xff0c;专门用来处理汉字的显示、输入的问题&＃xff0c;装错了字符系统&＃xff0c;显示就会乱了套。这怎么办&＃xff1f;就在这时&＃xff0c;一个叫 ISO &＃xff08;国际标谁化组织&＃xff09;的国际组织决定着手解决这个问题。他们采用的方法很简单&＃xff1a;废了所有的地区性编码方案&＃xff0c;重新搞一个包括了地球上所有文化、所有字母和符号的编码&＃xff01;他们打算叫它”Universal Multiple-Octet Coded Character Set”&＃xff0c;简称 UCS, 俗称 “UNICODE”。
UNICODE 开始制订时&＃xff0c;计算机的存储器容量极大地发展了&＃xff0c;空间再也不成为问题了。于是 ISO 就直接规定必须用两个字节&＃xff0c;也就是16位来统一表示所有的字符&＃xff0c;对于 ascii 里的那些”半角”字符&＃xff0c;UNICODE 包持其原编码不变&＃xff0c;只是将其长度由原来的8位扩展为16位&＃xff0c;而其他文化和语言的字符则全部重新统一编码。由于”半角”英文符号只需要用到低8位&＃xff0c;所以其高 8位永远是0&＃xff0c;因此这种大气的方案在保存英文文本时会多浪费一倍的空间。
但是&＃xff0c;UNICODE 在制订时没有考虑与任何一种现有的编码方案保持兼容&＃xff0c;这使得 GBK 与UNICODE 在汉字的内码编排上完全是不一样的&＃xff0c;没有一种简单的算术方法可以把文本内容从UNICODE编码和另一种编码进行转换&＃xff0c;这种转换必须通过查表来进行。UNICODE 是用两个字节来表示为一个字符&＃xff0c;他总共可以组合出65535不同的字符&＃xff0c;这大概已经可以覆盖世界上所有文化的符号。
UNICODE 来到时&＃xff0c;一起到来的还有计算机网络的兴起&＃xff0c;UNICODE 如何在网络上传输也是一个必须考虑的问题&＃xff0c;于是面向传输的众多 UTF&＃xff08;UCS Transfer Format&＃xff09;标准出现了&＃xff0c;顾名思义&＃xff0c;UTF8 就是每次8个位传输数据&＃xff0c;而 UTF16 就是每次16个位&＃xff0c;只不过为了传输时的可靠性&＃xff0c;从UNICODE到 UTF时并不是直接的对应&＃xff0c;而是要过一些算法和规则来转换。
看完这些&＃xff0c;相信你对于这几个编码关系等&＃xff0c;了解的比较清楚了吧。我再来简单的总结一下&＃xff1a;
● 中国人民通过对 ASCII 编码的中文扩充改造&＃xff0c;产生了 GB2312 编码&＃xff0c;可以表示6000多个常用汉字。
● 汉字实在是太多了&＃xff0c;包括繁体和各种字符&＃xff0c;于是产生了 GBK 编码&＃xff0c;它包括了 GB2312 中的编码&＃xff0c;同时扩充了很多。
● 中国是个多民族国家&＃xff0c;各个民族几乎都有自己独立的语言系统&＃xff0c;为了表示那些字符&＃xff0c;继续把 GBK 编码扩充为 GB18030 编码。
● 每个国家都像中国一样&＃xff0c;把自己的语言编码&＃xff0c;于是出现了各种各样的编码&＃xff0c;如果你不安装相应的编码&＃xff0c;就无法解释相应编码想表达的内容。
● 终于&＃xff0c;有个叫 ISO 的组织看不下去了。他们一起创造了一种编码 UNICODE &＃xff0c;这种编码非常大&＃xff0c;大到可以容纳世界上任何一个文字和标志。所以只要电脑上有 UNICODE 这种编码系统&＃xff0c;无论是全球哪种文字&＃xff0c;只需要保存文件的时候&＃xff0c;保存成 UNICODE 编码就可以被其他电脑正常解释。
● UNICODE 在网络传输中&＃xff0c;出现了两个标准 UTF-8 和 UTF-16&＃xff0c;分别每次传输 8个位和 16个位。
于是就会有人产生疑问&＃xff0c;UTF-8 既然能保存那么多文字、符号&＃xff0c;为什么国内还有这么多使用 GBK 等编码的人&＃xff1f;因为 UTF-8 等编码体积比较大&＃xff0c;占电脑空间比较多&＃xff0c;如果面向的使用人群绝大部分都是中国人&＃xff0c;用 GBK 等编码也可以。但是目前的电脑来看&＃xff0c;硬盘都是白菜价&＃xff0c;电脑性能也已经足够无视这点性能的消耗了。所以推荐所有的网页使用统一编码&＃xff1a;UTF-8。
关于记事本无法单独保存“联通”的问题
当你新建一个 文本文档 之后&＃xff0c;在里面输入 “联通” 两个字&＃xff0c;然后保存。当你再次打开的时候&＃xff0c;原来输入的 “联通” 会变成两个乱码。
这个问题就是因为 GB2312 编码与 UTF8 编码产生了编码冲撞造成的。从网上引来一段从UNICODE到UTF8的转换规则&＃xff1a;
UTF-8
0000 – 007F
0xxxxxxx
0080 – 07FF
110xxxxx 10xxxxxx
0800 – FFFF
1110xxxx 10xxxxxx 10xxxxxx
例如”汉”字的Unicode编码是6C49。6C49在0800-FFFF之间&＃xff0c;所以要用3字节模板&＃xff1a;1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是&＃xff1a;0110 1100 0100 1001&＃xff0c;将这个比特流按三字节模板的分段方法分为0110 110001 001001&＃xff0c;依次代替模板中的x&＃xff0c;得到&＃xff1a;1110-0110 10-110001 10-001001&＃xff0c;即E6 B1 89&＃xff0c;这就是其UTF8的编码。
而当你新建一个文本文件时&＃xff0c;记事本的编码默认是ANSI, 如果你在ANSI的编码输入汉字&＃xff0c;那么他实际就是GB系列的编码方式&＃xff0c;在这种编码下&＃xff0c;”联通”的内码是&＃xff1a;
c1 1100 0001
aa 1010 1010
cd 1100 1101
a8 1010 1000
注意到了吗&＃xff1f;第一二个字节、第三四个字节的起始部分的都是”110″和”10″&＃xff0c;正好与UTF8规则里的两字节模板是一致的&＃xff0c;于是再次打开记事本 时&＃xff0c;记事本就误认为这是一个UTF8编码的文件&＃xff0c;让我们把第一个字节的110和第二个字节的10去掉&＃xff0c;我们就得到了”00001 101010″&＃xff0c;再把各位对齐&＃xff0c;补上前导的0&＃xff0c;就得到了”0000 0000 0110 1010″&＃xff0c;不好意思&＃xff0c;这是UNICODE的006A&＃xff0c;也就是小写的字母”j”&＃xff0c;而之后的两字节用UTF8解码之后是0368&＃xff0c;这个字符什么也不是。这就 是只有”联通”两个字的文件没有办法在记事本里正常显示的原因。
由这个问题&＃xff0c;可以发散出很多问题。比较常见的一个问题就是&＃xff1a;我已经把文件保存成了 XX 编码&＃xff0c;为什么每次打开&＃xff0c;还是原来的 YY 编码&＃xff1f;&＃xff01;原因就在于此&＃xff0c;你虽然保存成了 XX 编码&＃xff0c;但是系统识别的时候&＃xff0c;却误识别为了 YY 编码&＃xff0c;所以还是显示为 YY 编码。为了避免这个问题&＃xff0c;微软公司弄出了一个叫 BOM 头的东西。
关于文件 BOM 头的问题
当使用类似 WINDOWS 自带的记事本等软件&＃xff0c;在保存一个以UTF-8编码的文件时&＃xff0c;会在文件开始的地方插入三个不可见的字符&＃xff08;0xEF 0xBB 0xBF&＃xff0c;即BOM&＃xff09;。它是一串隐藏的字符&＃xff0c;用于让记事本等编辑器识别这个文件是否以UTF-8编码。这样就可以避免这个问题了。对于一般的文件&＃xff0c;这样并不会产生什么麻烦。
这样做&＃xff0c;也有弊处&＃xff0c;尤其体现在网页中。PHP并不会忽略BOM&＃xff0c;所以在读取、包含或者引用这些文件时&＃xff0c;会把BOM作为该文件开头正文 的一部分。根据嵌入式语言的特点&＃xff0c;这串字符将被直接执行&＃xff08;显示&＃xff09;出来。由此造成即使页面的 top padding 设置为0&＃xff0c;也无法让整个网页紧贴浏览器顶部&＃xff0c;因为在html一开头有这3个字符。如果你在网页中&＃xff0c;发现了由未知的空白等&＃xff0c;很有可能就是由于文件有 BOM 头造成的。遇到这种问题&＃xff0c;把文件保存的时候&＃xff0c;不要带有 BOM 头&＃xff01;
如何查看和修改某文档的编码
1&＃xff0c;直接使用记事本查看和修改。我们可以用记事本打开文件&＃xff0c;然后点击左上角的 “文件” &＃61;》“另存为”&＃xff0c;这时候就会弹出一个保存的窗口。在下面选择好编码之后&＃xff0c;点击保存就可以了。
但是这种方式的选择余地非常小&＃xff0c;通常用来快速查看文件是什么编码。我更推荐使用下面的方法。
2&＃xff0c;使用其他文本编辑器&＃xff08;例如&＃xff1a;notepad &＃43;&＃43;&＃xff09;来查看修改。几乎所有的成熟的文本编辑器&＃xff08;例如&＃xff1a;Dreamweaver、Emeditor等&＃xff09;&＃xff0c;都可以快速查看或修改文件编码。这一点尤其体现在 notepad&＃43;&＃43; 上面。
打开一个文件之后&＃xff0c;会在右下角显示当前文件的编码。
点击上面菜单栏中的 “encoding” 即可把当前文档转换成其他编码
IE6 的加载 CSS 文件 BUG
当 HTML 文件的编码 与想要加载 CSS 的文件不一致的时候&＃xff0c;IE6 将无法读取 CSS 文件&＃xff0c;即 HTML 文件没有样式。就本人的观察&＃xff0c;这个问题从未在其他浏览器中出现过&＃xff0c;只在 IE6 中出现过。只需要把 CSS 文件&＃xff0c;保存成 HTML 文件的编码即可。
向大神致敬&＃xff1a;转载至 http://blog.jobbole.com/30526/
京公网安备 11010802041100号