HTML文档的字符集和编码

1895-lake

这是一个老问题-乱码(mojibake)！由于页面的编码问题，经常遇到页面显示乱码的问题，借这个机会理清字符集和编码的关系。这里并不对各种字符集和编码的具体实现进行讨论,只是弄清楚他们分别是什么，有什么关系，怎么用。字符集和编码问题并不只在HTML中存在，在XML、Json、CSS、程序源码及文本文件中都会遇到。由于理解比较粗浅，错误的地方欢迎指出。

怎么用

这里先介绍HTML里面怎么指定编码。

随便打开一个网站，都能在head里面看到以下类似代码：

浏览器在获取HTML文档后，会根据这段代码指定的编码方式（charset=utf-8）对HTMl文档进行解码，如果HTML文档本身的编码方式和指定的编码方式一致，浏览器将正常的解码并显示字符，如果HTML文档本身的编码方式和指定的编码方式不一致，就会出现乱码。这里HTML本身的编码方式指在保存HTML文档时指定的编码方式，如通过记事本默认保存的编码为ANSI，如果在中国，则就是用的gb2312编码，因此如果charset指定的是utf-8，也会出现乱码。

• charset=utf-8中的charset并不是字符集的意思，而是指编码
• 国内最常用的编码方式为utf-8和gb2312

再次强调：HTML文档本身的编码要和HTML中指定的编码一致。

是什么

平时遇到乱码问题基本都归类为编码问题，实际其中包含了两层意思，从charset的命名也能看出端倪，字符集和编码。

字符集

字符集意思是一类字符的集合，也可以叫字符库，本身并不是编码的概念，如ASCII和Unicode，但是很多字符集本身也代表了一种编码，如gb2312、gbk等，因此有时也把这些字符集叫做编码，没毛病。

编码

编码是我们平时直接使用的，而字符集我们并不直接使用。

计算机并不认识这些字符集，他们只认识0和1，因此通过0和1的组合唯一的标示这些字符的规则就是编码，如Unicode对应的编码有utf-8、utf-16和utf-32，每种编码都有自己的规则，有些兼容有些不兼容。

这里简单介绍一下Windows记事本中的编码：

• ANSI指通过多个字节对ASCII进行扩展的、跟本地相关的编码方式的统称，在大陆就是gb2312，在台湾就是big5，在日本就是Shift_JIS；
• Unicode编码实际使用的是utf-16+BOM编码；

Windows提供了ANSI和Unicode的转换，可以通过代码页,实际就是一个映射表，不具体介绍。

字符集和编码的关系

上面已经说明了他们之间的关系，这里简单列举一下常用的字符集和编码：

字符集	编码	长度
ASCII	ASCII	单字节
Unicode	utf-8、utf-16、utf-32	单字节、多字节
gb2312	gb2312	双字节
big5	big5	双字节
ISO-8859-1	ISO-8859-1	单字节
ISO-8859-*	ISO-8859-*	单字节

参考文档

• http://www.cnblogs.com/salted-fish/p/5117590.html
• http://os.51cto.com/art/201503/467929.htm