对HTML字符编码格式的探究

关于字符编码知识：

计算机存储所有数据都采用的是二进制编码。在早期时，计算机就只有英文字符，对应地，就只有一种编码格式：ASCII。

随着计算机的普及，为了在计算机中表示每个国家的字符，出现了很多的字符编码格式，比如GB2312（简体中文）、big5（繁体中文）、Shift-JIS(日文)等地方编码格式，和utf-8、utf16的unicode全球通用编码格式。

简单来说，字符编码格式就是提出了一种字符到数字的对应规范，比如把“你好”对应到其unicode编码为“\u4f60\u597d”，这样“你好”存储在计算机中就存储的是这样的数字

不同的编码格式就意味着不同的对应关系。一般来说，各国的编码规范，就规定了本国语言和西文与数字的对应关系，而unicode编码（utf-16、utf-8）包含了所有国家的字符到数字的对应关系。

关于HTML的字符编码：

这里，主要是理解三个名词：

• 文档编码格式：这里指的是html文档的物理存储编码格式，就是指定它在计算机中怎么存储。可以通过设置其编码格式来指定，比如，Nodepad++编辑器可以通过格式菜单设置，如右图：

• 浏览器解码格式：浏览器的解码格式可以手动设置。一般来说，解码应该和编码一一对应，比如你以gb2312编码的文档，就最好用gb2312去解码阅读，否则，会出现乱码。如下图：

• 文档声明编码格式： 在head标签中的<meta http-equiv="content-type" content="text/html;charset=utf-8">，这里的charset就是指此html文档的声明编码格式。注意，这里的编码格式并不会有任何实际作用，只是简单的一个声明，唯二的作用就是
  • 浏览器在读取该文档时，如果解码格式为自动选择，就使用这里声明的编码格式。
    
  • 用于搜索引擎的数据收集与整理

总结：

我们在编写HTML文档时，文档的编码格式必须要覆盖文档包含的字符，浏览器的解码格式尽量保持和其编码格式完全一致。一个良好的习惯是，声明编码格式与编码格式保持一致，浏览器的解码格式设置为自动选择，这样就不会出现乱码了。

特别说明：

此篇文章并没有参考相关文献，有些内容可能与事实不符，但作者的中心思想是帮助大家理解相关问题，并不希望大家纠结于对理解本文章所阐述的内容影响不大的知识点，还望大家理解。欢迎大家指导更正相关错误。

王萌（puliuyinyi@qq.com）