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、GB2312、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。但是編碼又是那麼重要，特別在網頁這一塊。如果你打出來的不是亂碼，而網頁中出現了亂碼，絕大部分原因就出在了編碼上了。此外除了亂碼之外，還會出現一些其他問題（例如：IE6 的 CSS 載入問題）等等。本文的目的就是要徹底解釋清楚這個編碼問題！如果你遇到了類似的問題，那就要仔細的看看這篇文章。

　　ANSI、GBK、GB2312、UTF-8、GB18030和 UNICODE

　　這幾個編碼關鍵詞是比較常見的，雖然我把我們放在了一起說，但並不意味這這幾個東西是平級的關係。本部分的內容，引用自網路略有修改，不知原文出處，故無法署名。

　　很久很久以前，有一群人，他們決定用8個可以開合的電晶體來組合成不同的狀態，以表示世界上的萬物，他們把這稱為”位元組”。再後來，他們又做了一些可以處理這些位元組的機器，機器開動了，可以用位元組來組合出很多狀態，狀態開始變來變去，他們就把這機器稱為”計算機”。

　　開始計算機只在美國用。八位的位元組一共可以組合出256(2的8次方)種不同的狀態。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、印表機遇上約定好的這些位元組被傳過來時，就要做一些約定的動作。遇上 00×10, 終端就換行，遇上0×07, 終端就向人們嘟嘟叫，例好遇上0x1b, 印表機就列印反白的字，或者終端就用彩色顯示字母。他們看到這樣很好，於是就把這些0×20以下的位元組狀態稱為”控制碼”。

　　他們又把所有的空格、標點符號、數字、大小寫字母分別用連續的位元組狀態表示，一直編到了第127號，這樣計算機就可以用不同位元組來儲存英語的文字 了。大家看到這樣，都感覺很好，於是大家都把這個方案叫做 ANSI 的”Ascii”編碼（American Standard Code for Information Interchange，美國資訊互換標準程式碼）。當時世界上所有的計算機都用同樣的ASCII方案來儲存英文文字。

　　後來計算機發展越來越廣泛，世界各國為了可以在計算機儲存他們的文字，他們決定採用127號之後的空位來表示這些新的字母、符號，還加入了很多畫表格時需要用下到的橫線、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”擴充套件字符集”。但是原有的編號方法，已經再也放不下更多的編碼。

　　等中國人們得到計算機時，已經沒有可以利用的位元組狀態來表示漢字，況且有6000多個常用漢字需要儲存呢。於是國人就自主研發，把那些127號之後的奇異符號們直接取消掉。規定：一個小於127的字元的意義與原來相同，但兩個大於127的字元連在一起時，就表示一個漢字，前面的一個位元組（他稱之為高位元組）從0xA1用到 0xF7，後面一個位元組（低位元組）從0xA1到0xFE，這樣我們就可以組合出大約7000多個簡體漢字了。在這些編碼裡，我們還把數學符號、羅馬希臘的字母、日文的假名們都編進去了，連在 ASCII 裡本來就有的數字、標點、字母都統統重新編了兩個位元組長的編碼，這就是常說的”全形”字元，而原來在127號以下的那些就叫”半形”字元了。

　　中國人民看到這樣很不錯，於是就把這種漢字方案叫做 “GB2312″。GB2312 是對 ASCII 的中文擴充套件。

　　但是中國的漢字太多了，後來還是不夠用，於是乾脆不再要求低位元組一定是127號之後的內碼，只要第一個位元組是大於127就固定表示這是一個漢字的開始，不管後面跟的是不是 擴充套件字符集裡的內容。結果擴充套件之後的編碼方案被稱為 GBK 標準，GBK 包括了 GB2312 的所有內容，同時又增加了近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，於是我們再擴充套件，又加了幾千個新的少數民族的字，GBK 擴成了 GB18030。從此之後，中華民族的文化就可以在計算機時代中傳承了。

　　因為當時各個國家都像中國這樣搞出一套自己的編碼標準，結果互相之間誰也不懂誰的編碼，誰也不支援別人的編碼。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，裝錯了字元系統，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）的國際組織決定著手解決這個問題。他們採用的方法很簡單：廢了所有的地區性編碼方案，重新搞一個包括了地球上所有文化、所有字母和符號的編碼！他們打算叫它”Universal Multiple-Octet Coded Character Set”，簡稱 UCS, 俗稱 “UNICODE”。

　　UNICODE 開始制訂時，計算機的儲存器容量極大地發展了，空間再也不成為問題了。於是 ISO 就直接規定必須用兩個位元組，也就是16位來統一表示所有的字元，對於 ascii 裡的那些”半形”字元，UNICODE 包持其原編碼不變，只是將其長度由原來的8位擴充套件為16位，而其他文化和語言的字元則全部重新統一編碼。由於”半形”英文符號只需要用到低8位，所以其高 8位永遠是0，因此這種大氣的方案在儲存英文文字時會多浪費一倍的空間。

　　但是，UNICODE 在制訂時沒有考慮與任何一種現有的編碼方案保持相容，這使得 GBK 與UNICODE 在漢字的內碼編排上完全是不一樣的，沒有一種簡單的算術方法可以把文字內容從UNICODE編碼和另一種編碼進行轉換，這種轉換必須通過查表來進行。UNICODE 是用兩個位元組來表示為一個字元，他總共可以組合出65535不同的字元，這大概已經可以覆蓋世界上所有文化的符號。

　　UNICODE 來到時，一起到來的還有計算機網路的興起，UNICODE 如何在網路上傳輸也是一個必須考慮的問題，於是面向傳輸的眾多 UTF（UCS Transfer Format）標準出現了，顧名思義，UTF8 就是每次8個位傳輸資料，而 UTF16 就是每次16個位，只不過為了傳輸時的可靠性，從UNICODE到 UTF時並不是直接的對應，而是要過一些演算法和規則來轉換。

　　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：

　　● 中國人民通過對 ASCII 編碼的中文擴充改造，產生了 GB2312 編碼，可以表示6000多個常用漢字。

　　● 漢字實在是太多了，包括繁體和各種字元，於是產生了 GBK 編碼，它包括了 GB2312 中的編碼，同時擴充了很多。

　　● 中國是個多民族國家，各個民族幾乎都有自己獨立的語言系統，為了表示那些字元，繼續把 GBK 編碼擴充為 GB18030 編碼。

　　● 每個國家都像中國一樣，把自己的語言編碼，於是出現了各種各樣的編碼，如果你不安裝相應的編碼，就無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。他們一起創造了一種編碼 UNICODE ，這種編碼非常大，大到可以容納世界上任何一個文字和標誌。所以只要電腦上有 UNICODE 這種編碼系統，無論是全球哪種文字，只需要儲存檔案的時候，儲存成 UNICODE 編碼就可以被其他電腦正常解釋。

　　● UNICODE 在網路傳輸中，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。

　　於是就會有人產生疑問，UTF-8 既然能儲存那麼多文字、符號，為什麼國內還有這麼多使用 GBK 等編碼的人？因為 UTF-8 等編碼體積比較大，佔電腦空間比較多，如果面向的使用人群絕大部分都是中國人，用 GBK 等編碼也可以。但是目前的電腦來看，硬碟都是白菜價，電腦效能也已經足夠無視這點效能的消耗了。所以推薦所有的網頁使用統一編碼：UTF-8。

　　關於記事本無法單獨儲存“聯通”的問題

　　當你新建一個 文字文件 之後，在裡面輸入 “聯通” 兩個字，然後儲存。當你再次開啟的時候，原來輸入的 “聯通” 會變成兩個亂碼。

　　這個問題就是因為 GB2312 編碼與 UTF8 編碼產生了編碼衝撞造成的。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，所以要用3位元組模板：1110xxxx 10xxxxxx 10xxxxxx。將6C49寫成二進位制是：0110 1100 0100 1001，將這個位元流按三位元組模板的分段方法分為0110 110001 001001，依次代替模板中的x，得到：1110-0110 10-110001 10-001001，即E6 B1 89，這就是其UTF8的編碼。

　　而當你新建一個文字檔案時，記事本的編碼預設是ANSI, 如果你在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？第一二個位元組、第三四個位元組的起始部分的都是”110″和”10″，正好與UTF8規則裡的兩位元組模板是一致的，於是再次開啟記事本 時，記事本就誤認為這是一個UTF8編碼的檔案，讓我們把第一個位元組的110和第二個位元組的10去掉，我們就得到了”00001 101010″，再把各位對齊，補上前導的0，就得到了”0000 0000 0110 1010″，不好意思，這是UNICODE的006A，也就是小寫的字母”j”，而之後的兩位元組用UTF8解碼之後是0368，這個字元什麼也不是。這就 是隻有”聯通”兩個字的檔案沒有辦法在記事本里正常顯示的原因。

　　由這個問題，可以發散出很多問題。比較常見的一個問題就是：我已經把檔案儲存成了 XX 編碼，為什麼每次開啟，還是原來的 YY 編碼？！原因就在於此，你雖然儲存成了 XX 編碼，但是系統識別的時候，卻誤識別為了 YY 編碼，所以還是顯示為 YY 編碼。為了避免這個問題，微軟公司弄出了一個叫 BOM 頭的東西。

　　關於檔案 BOM 頭的問題

　　當使用類似 WINDOWS 自帶的記事本等軟體，在儲存一個以UTF-8編碼的檔案時，會在檔案開始的地方插入三個不可見的字元（0xEF 0xBB 0xBF，即BOM）。它是一串隱藏的字元，用於讓記事本等編輯器識別這個檔案是否以UTF-8編碼。這樣就可以避免這個問題了。對於一般的檔案，這樣並不會產生什麼麻煩。

　　這樣做，也有弊處，尤其體現在網頁中。PHP並不會忽略BOM，所以在讀取、包含或者引用這些檔案時，會把BOM作為該檔案開頭正文 的一部分。根據嵌入式語言的特點，這串字元將被直接執行（顯示）出來。由此造成即使頁面的 top padding 設定為0，也無法讓整個網頁緊貼瀏覽器頂部，因為在html一開頭有這3個字元。如果你在網頁中，發現了由未知的空白等，很有可能就是由於檔案有 BOM 頭造成的。遇到這種問題，把檔案儲存的時候，不要帶有 BOM 頭！

　　如何檢視和修改某文件的編碼

　　1，直接使用記事本檢視和修改。我們可以用記事本開啟檔案，然後點選左上角的 “檔案” =》“另存為”，這時候就會彈出一個儲存的視窗。在下面選擇好編碼之後，點選儲存就可以了。

　　但是這種方式的選擇餘地非常小，通常用來快速檢視檔案是什麼編碼。我更推薦使用下面的方法。

　　2，使用其他文字編輯器（例如：notepad ++）來檢視修改。幾乎所有的成熟的文字編輯器（例如：Dreamweaver、Emeditor等），都可以快速檢視或修改檔案編碼。這一點尤其體現在 notepad++ 上面。

　　開啟一個檔案之後，會在右下角顯示當前檔案的編碼。

　　點選上面選單欄中的 “encoding” 即可把當前文件轉換成其他編碼

　　IE6 的載入 CSS 檔案 BUG

　　當 HTML 檔案的編碼 與想要載入 CSS 的檔案不一致的時候，IE6 將無法讀取 CSS 檔案，即 HTML 檔案沒有樣式。就本人的觀察，這個問題從未在其他瀏覽器中出現過，只在 IE6 中出現過。只需要把 CSS 檔案，儲存成 HTML 檔案的編碼即可。