HTML汉字编码标准介绍

HTML中需要指定网页所使用的编码，一般指定的方式为：

<meta http-equiv="Content-Type" content="text/html;charset=UTF-8">

而在新版本HTML5中，也可以使用更简单的方式：

<meta charset="UTF-8">

因为世界上所用的语言文字很多，为了满足跨语言、跨平台进行文本转换、处理的要求，国际组织研制了Unicode编码，于1994年正式公布，并不断升级，提供了1,114,112个码点，定义了包括古文字符号在内的人类所有可读字符的字符集。但Unicode编码为了表示那么多字符，通常使用32位（即4个字节）来表示一个字符，需要占用比较大的存储空间，对常用的字符（如ASCII）也需要较长的编码，内存使用效率比较低。

为此，定义了一种使用8位编码单元的变宽的编码格式UTF-8。UTF-8编码中，一些常用的字符可以使用较少的字节来表示，而较少使用的字符则使用较多的字节，提高了编码占用空间的效率。如ASCII码仍使用一个字节来表示，这是通过识别编码中一些高位的来实现的，它搭建了ASCII编码和Unicode的桥梁。具体编码方式为：
·0000~007F：0xxxxxxx，存储为一个字节，有7位可表示不同的字符，一般对应ASCII字符
·0080~07FF：110xxxxx，10xxxxxx，存储为两个字节，有11位可表示不同的字符
·0800~FFFF：1110xxxx，10xxxxxx，10xxxxxx，存储为3个字节，有16位用来表示不同的字符
·10000~1FFFFF：11110xxx，10xxxxxx，10xxxxxx，10xxxxxx，存储为4个字节，有21位表示不同的字符
可以看到规律：如果最高位不是0，那么数字中在0前面的数字表示一个序列包括的码元数。一个序列中，第一个码元之后的所有码元都有10前缀。Unicode编码还有UTF-16、UTF-32等其他的编码格式，但UTF-8更采用，同样也可以表示所有的编码集。

过去在计算机中表示汉字最常用的是GB2312编码,1980年发布，全称为《信息交换用汉字编码字符集--基本集》，它使用两个字节来表示一个汉字，共收入6763个汉字和682个非汉字图形字符，兼容于ASCII字符集。但这种编码中包含的汉字比较少，不能表示港台使用的繁体字，一些非常用字及古书中的字也无法表示，实用中会感到很多不便。后来，在GB2312基础上进行了扩展，也就是GBK编码标准，可以表示繁体字及一些异体字，使用范围得到扩展。

为了适合更广范围的应用，又发布了GB18030编码标准，GB18030-2000收录了27533个汉字，GB18030-2005则收录了70244个汉字，并包含了藏、蒙古、傣、彝、朝鲜、维吾尔文等多种少数民族文字。GB18030的总编码空间超过150万个码位，编码采用单字节、双字节和四字节对字符编码，单字节部分采用GB/T11383的编码结构与规则，使用0x00至0x7F码位,对应于ASCII码的相应码位；双字节部分，首字节码位从0x81至0xFE，尾字节码位分别是0x40至0x7E和0x80至0xFE；四字节部分采用GB/T11383未采用的0x30到0x39作为对双字节编码扩充的后缀，这样扩充的四字节编码，其范围为0x81308130到0xFE39FE39。GB18030编码还在不断扩充中。

为了更多地表示汉字及一些特殊符号，也为了未来更好地兼容性，新制作的网页最好使用GB18030标准，也就是使用下面两种方式之一指定编码：

<meta http-equiv="Content-Type" content="text/html;charset=gb18030">
<meta charset="gb18030">

当然，为了显示外国文字方便，也可以使用国际通用的UTF-8编码。

最新评论