網頁編碼就是那點事

編碼一直是讓新手頭疼的問題，特別是 GBK、GB23十二、UTF-8 這三個比較常見的網頁編碼的區別，更是讓許多新手暈頭轉向，怎麼解釋也解釋不清楚。可是編碼又是那麼重要，特別在網頁這一塊。若是你打出來的不是亂碼，而網頁中出現了亂碼，絕大部分緣由就出在了編碼上了。此外除了亂碼以外，還會出現一些其餘問題（例如：IE6 的 CSS 加載問題）等等。潛行者m 寫出本文的目的，就是要完全解釋清楚這個編碼問題！若是你遇到了相似的問題，那就要仔細的看看這篇文章。

ANSI、GBK、GB23十二、UTF-八、GB18030和 UNICODE

這幾個編碼關鍵詞是比較常見的，雖然我把咱們放在了一塊兒說，但並不意味這這幾個東西是平級的關係。本部分的內容，引用自網絡略有修改，不知原文出處，故沒法署名。

好久好久之前，有一羣人，他們決定用8個能夠開合的晶體管來組合成不一樣的狀態，以表示世界上的萬物，他們把這稱爲」字節」。再後來，他們又作了一些能夠處理這些字節的機器，機器開動了，能夠用字節來組合出不少狀態，狀態開始變來變去，他們就把這機器稱爲」計算機」。

開始計算機只在美國用。八位的字節一共能夠組合出256(2的8次方)種不一樣的狀態。他們把其中的編號從0開始的32種狀態分別規定了特殊的用途，一但終端、打印機趕上約定好的這些字節被傳過來時，就要作一些約定的動做。趕上 00×10, 終端就換行，趕上0×07, 終端就向人們嘟嘟叫，例好趕上0x1b, 打印機就打印反白的字，或者終端就用彩色顯示字母。他們看到這樣很好，因而就把這些0×20如下的字節狀態稱爲」控制碼」。

他們又把全部的空格、標點符號、數字、大小寫字母分別用連續的字節狀態表示，一直編到了第127號，這樣計算機就能夠用不一樣字節來存儲英語的文字 了。你們看到這樣，都感受很好，因而你們都把這個方案叫作 ANSI 的」Ascii」編碼（American Standard Code for Information Interchange，美國信息互換標準代碼）。當時世界上全部的計算機都用一樣的ASCII方案來保存英文文字。

後來計算機發展愈來愈普遍，世界各國爲了能夠在計算機保存他們的文字，他們決定採用127號以後的空位來表示這些新的字母、符號，還加入了不少畫表格時須要用下到的橫線、豎線、交叉等形狀，一直把序號編到了 最後一個狀態255。從128到255這一頁的字符集被稱」擴展字符集」。可是原有的編號方法，已經再也放不下更多的編碼。

等中國人們獲得計算機時，已經沒有能夠利用的字節狀態來表示漢字，何況有6000多個經常使用漢字須要保存呢。因而國人就自主研發，把那些127號以後的奇異符號們直接取消掉。規定：一個小於127的字符的意義與原來相同，但兩個大於127的字符連在一塊兒時，就表示一個漢字，前面的一個字節（他稱之爲高字節）從0xA1用到 0xF7，後面一個字節（低字節）從0xA1到0xFE，這樣咱們就能夠組合出大約7000多個簡體漢字了。在這些編碼裏，咱們還把數學符號、羅馬希臘的字母、日文的假名們都編進去了，連在 ASCII 裏原本就有的數字、標點、字母都通通從新編了兩個字節長的編碼，這就是常說的」全角」字符，而原來在127號如下的那些就叫」半角」字符了。

中國人民看到這樣很不錯，因而就把這種漢字方案叫作 「GB2312″。GB2312 是對 ASCII 的中文擴展。

可是中國的漢字太多了，後來仍是不夠用，因而乾脆再也不要求低字節必定是127號以後的內碼，只要第一個字節是大於127就固定表示這是一個漢字的開始，無論後面跟的是否是 擴展字符集裏的內容。結果擴展以後的編碼方案被稱爲 GBK 標準，GBK 包括了 GB2312 的全部內容，同時又增長了近20000個新的漢字（包括繁體字）和符號。後來少數民族也要用電腦了，因而咱們再擴展，又加了幾千個新的少數民族的字，GBK 擴成了 GB18030。今後以後，中華民族的文化就能夠在計算機時代中傳承了。

由於當時各個國家都像中國這樣搞出一套本身的編碼標準，結果互相之間誰也不懂誰的編碼，誰也不支持別人的編碼。當時的中國人想讓電腦顯示漢字，就必須裝上一個」漢字系統」，專門用來處理漢字的顯示、輸入的問題，裝錯了字符系統，顯示就會亂了套。這怎麼辦？就在這時，一個叫 ISO （國際標誰化組織）的國際組織決定着手解決這個問題。他們採用的方法很簡單：廢了全部的地區性編碼方案，從新搞一個包括了地球上全部文化、全部字母和符號的編碼！他們打算叫它」Universal Multiple-Octet Coded Character Set」，簡稱 UCS, 俗稱 「UNICODE」。

UNICODE 開始制訂時，計算機的存儲器容量極大地發展了，空間不再成爲問題了。因而 ISO 就直接規定必須用兩個字節，也就是16位來統一表示全部的字符，對於 ascii 裏的那些」半角」字符，UNICODE 包持其原編碼不變，只是將其長度由原來的8位擴展爲16位，而其餘文化和語言的字符則所有從新統一編碼。因爲」半角」英文符號只須要用到低8位，因此其高 8位永遠是0，所以這種大氣的方案在保存英文文本時會多浪費一倍的空間。

可是，UNICODE 在制訂時沒有考慮與任何一種現有的編碼方案保持兼容，這使得 GBK 與UNICODE 在漢字的內碼編排上徹底是不同的，沒有一種簡單的算術方法能夠把文本內容從UNICODE編碼和另外一種編碼進行轉換，這種轉換必須經過查表來進行。UNICODE 是用兩個字節來表示爲一個字符，他總共能夠組合出65535不一樣的字符，這大概已經能夠覆蓋世界上全部文化的符號。

UNICODE 來到時，一塊兒到來的還有計算機網絡的興起，UNICODE 如何在網絡上傳輸也是一個必須考慮的問題，因而面向傳輸的衆多 UTF（UCS Transfer Format）標準出現了，顧名思義，UTF8 就是每次8個位傳輸數據，而 UTF16 就是每次16個位，只不過爲了傳輸時的可靠性，從UNICODE到 UTF時並非直接的對應，而是要過一些算法和規則來轉換。

看完這些，相信你對於這幾個編碼關係等，瞭解的比較清楚了吧。我再來簡單的總結一下：

• 中國人民經過對 ASCII 編碼的中文擴充改造，產生了 GB2312 編碼，能夠表示6000多個經常使用漢字。
• 漢字實在是太多了，包括繁體和各類字符，因而產生了 GBK 編碼，它包括了 GB2312 中的編碼，同時擴充了不少。
• 中國是個多民族國家，各個民族幾乎都有本身獨立的語言系統，爲了表示那些字符，繼續把 GBK 編碼擴充爲 GB18030 編碼。
• 每一個國家都像中國同樣，把本身的語言編碼，因而出現了各類各樣的編碼，若是你不安裝相應的編碼，就沒法解釋相應編碼想表達的內容。
• 終於，有個叫 ISO 的組織看不下去了。他們一塊兒創造了一種編碼 UNICODE ，這種編碼很是大，大到能夠容納世界上任何一個文字和標誌。因此只要電腦上有 UNICODE 這種編碼系統，不管是全球哪一種文字，只須要保存文件的時候，保存成 UNICODE 編碼就能夠被其餘電腦正常解釋。
• UNICODE 在網絡傳輸中，出現了兩個標準 UTF-8 和 UTF-16，分別每次傳輸 8個位和 16個位。

因而就會有人產生疑問，UTF-8 既然能保存那麼多文字、符號，爲何國內還有這麼多使用 GBK 等編碼的人？由於 UTF-8 等編碼體積比較大，佔電腦空間比較多，若是面向的使用人羣絕大部分都是中國人，用 GBK 等編碼也能夠。可是目前的電腦來看，硬盤都是白菜價，電腦性能也已經足夠無視這點性能的消耗了。因此推薦全部的網頁使用統一編碼：UTF-8。

關於記事本沒法單獨保存「聯通」的問題

當你新建一個 文本文檔 以後，在裏面輸入 「聯通」 兩個字，而後保存。當你再次打開的時候，原來輸入的 「聯通」 會變成兩個亂碼。

這個問題就是由於 GB2312 編碼與 UTF8 編碼產生了編碼衝撞形成的。從網上引來一段從UNICODE到UTF8的轉換規則：

UTF-8
0000 – 007F

0xxxxxxx

0080 – 07FF

110xxxxx 10xxxxxx

0800 – FFFF

1110xxxx 10xxxxxx 10xxxxxx

例如」漢」字的Unicode編碼是6C49。6C49在0800-FFFF之間，因此要用3字節模板：1110xxxx 10xxxxxx 10xxxxxx。將6C49寫成二進制是：0110 1100 0100 1001，將這個比特流按三字節模板的分段方法分爲0110 110001 001001，依次代替模板中的x，獲得：1110-0110 10-110001 10-001001，即E6 B1 89，這就是其UTF8的編碼。

而當你新建一個文本文件時，記事本的編碼默認是ANSI, 若是你在ANSI的編碼輸入漢字，那麼他實際就是GB系列的編碼方式，在這種編碼下，」聯通」的內碼是：

c1 1100 0001

aa 1010 1010

cd 1100 1101

a8 1010 1000

注意到了嗎？第一二個字節、第三四個字節的起始部分的都是」110″和」10″，正好與UTF8規則裏的兩字節模板是一致的，因而再次打開記事本 時，記事本就誤認爲這是一個UTF8編碼的文件，讓咱們把第一個字節的110和第二個字節的10去掉，咱們就獲得了」00001 101010″，再把各位對齊，補上前導的0，就獲得了」0000 0000 0110 1010″，很差意思，這是UNICODE的006A，也就是小寫的字母」j」，而以後的兩字節用UTF8解碼以後是0368，這個字符什麼也不是。這就 是隻有」聯通」兩個字的文件沒有辦法在記事本里正常顯示的緣由。

由這個問題，能夠發散出不少問題。比較常見的一個問題就是：我已經把文件保存成了 XX 編碼，爲何每次打開，仍是原來的 YY 編碼？！緣由就在於此，你雖然保存成了 XX 編碼，可是系統識別的時候，卻誤識別爲了 YY 編碼，因此仍是顯示爲 YY 編碼。爲了不這個問題，微軟公司弄出了一個叫 BOM 頭的東西。

關於文件 BOM 頭的問題

當使用相似 WINDOWS 自帶的記事本等軟件，在保存一個以UTF-8編碼的文件時，會在文件開始的地方插入三個不可見的字符（0xEF 0xBB 0xBF，即BOM）。它是一串隱藏的字符，用於讓記事本等編輯器識別這個文件是否以UTF-8編碼。這樣就能夠避免這個問題了。對於通常的文件，這樣並不會產生什麼麻煩。

這樣作，也有弊處，尤爲體如今網頁中。PHP並不會忽略BOM，因此在讀取、包含或者引用這些文件時，會把BOM做爲該文件開頭正文 的一部分。根據嵌入式語言的特色，這串字符將被直接執行（顯示）出來。由此形成即便頁面的 top padding 設置爲0，也沒法讓整個網頁緊貼瀏覽器頂部，由於在html一開頭有這3個字符。若是你在網頁中，發現了由未知的空白等，頗有可能就是因爲文件有 BOM 頭形成的。遇到這種問題，把文件保存的時候，不要帶有 BOM 頭！

如何查看和修改某文檔的編碼

1，直接使用記事本查看和修改。咱們能夠用記事本打開文件，而後點擊左上角的 「文件」 =》「另存爲」，這時候就會彈出一個保存的窗口。在下面選擇好編碼以後，點擊保存就能夠了。

可是這種方式的選擇餘地很是小，一般用來快速查看文件是什麼編碼。我更推薦使用下面的方法。

2，使用其餘文本編輯器（例如：notepad ++）來查看修改。幾乎全部的成熟的文本編輯器（例如：Dreamweaver、Emeditor等），均可以快速查看或修改文件編碼。這一點尤爲體如今 notepad++ 上面。

打開一個文件以後，會在右下角顯示當前文件的編碼。

點擊上面菜單欄中的 「encoding」 便可把當前文檔轉換成其餘編碼