HTML实体编码以及Unicode编码

HTML实体编码

前言
网页中包含了大量的文字，我们的浏览器必须知道这些文字的编码方式，才能准确的将文字呈现出来。

字符的数字表示方法

每个字符有一个 Unicode 号码，称为码点（code point）。如果知道码点，就能查到这是什么字符。举例来说，英文字母a的码点是十进制的97（十六进制的61），汉字“中”的码点是十进制的20013（十六进制的4e2d）。

由于一些原因，不是所有的Unicode编码的文字都能够显示出来。
1.小于符号<和大于符号>，在html中被解释为标签，如果有在其他场合中需要使用的这些类型的符号，就需要考虑它是否会被解释为标签。
2.由于Unicode编码的字符太多，无法找到一种输入法能够将它们全部进行呈现。
3.网页不允许混合使用多种编码，如果使用 UTF-8 编码的同时，又想插入其他编码的字符，就会很困难。

HTML 为了解决上面这些问题，允许使用 Unicode 码点表示字符，浏览器会自动将码点转成对应的字符。

例如：
字符的码点表示法是&#N;（十进制，N代表码点）或者&#xN;（十六进制，N代表码点），比如，字符a可以写成a（十进制）或者a（十六进制）。

字符的实体表示方法

数字表示法的弊端显而易见，码点太多，不容易记住，所有就还有实体表示法。

例如：

• <：<
• >：>
• "："
• '：'
• &：&
• ©：©
• #：#
• §：§
• ¥：¥
• $：$
• £：£
• ¢：¢
• %：%
• *：$ast;
• @：@
• ^：^
• ±：±
• 空格： 

类似于这样的表示方法，我们叫做字符的实体编码。

URL编码

URL叫做“统一资源定位符”，我们简而言之，把它叫做网站，网址。

URL字符的组成部分：
URL的组成部分有：26的英文字母，10个阿拉伯数字，连号（-），句点（.），下划线（_）

URL字符编码的方法
URL 字符转义的方法是，在这些字符的十六进制 ASCII 码前面加上百分号（%）。下面是这几个字符及其转义形式。

• !：%21
• #：%23
• $：%24
• &：%26
• '：%27
• (：%28
• )：%29
• *：%2A
• +：%2B

使用方法：比如，字母a的十六进制 ASCII 码是61，转义形式后就是%61。因此，www.apple.com又可以写成www.%61pple.com，浏览器一样识别。

UTF-8编码

ASCll码

在计算机内部，所有信息最终都是一个二进制数值。每个二进制位都有0和1两种状态，因此8个二进制位可以组成256种状态，这被称为一个字节。

ASCll码一共规定了128个字符的编码。比如空格SPACE是32，大写的A字母是65，小写的a字母是97。

UTF-8

互联网的普及，强烈的要求出现了一个统一的编码方式。UTF-8就是在互联网中使用的最多最广的Unicode的实现方式。其他的实现方式还有UTF-16（字符用两个字节或者四个字节进行表示）。

UTF-8最大的一个特点就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，根据不同的符号变化字节的长度。

UTF-8的编码规则

1.对于单字节的符号，字节的第一位设置为0，后面的7位为这个Unicode码。因此对于英语字母，utf-8编码和Ascll码是相同的。
2.对于n字节的符号（n>1），第一个字节的前n位都设置位1，第n+1位设置为0，后面字节的前两位一律设置为10。剩下的没有提及的，全部为这个符号的Unicode编码。

0000 0000-0000 007F | 0xxxxxxx （0-127）
0000 0080-0000 07FF | 110xxxxx 10xxxxx （128-2047）
0000 0800-0000 FFFF| 1110xxxx 10xxxxxx 10xxxxxx （2048-65535）
0001 0000-0010 FFFF| 11110xxx 10xxxxxx 10xxxxxxx 10xxxxxx

上述，x为可编码位。

如果一个字节的第一位为0，则这个字节单独就是一个字节；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。