HTML 字符编码

简介

网页包含了大量的文字，浏览器必须知道这些文字的编码方法，才能把文字还原出来。

一般情况下，服务器向浏览器发送 HTML 网页文件时，会通过 HTTP 头信息，声明网页的编码方式。

http

Content-Type: text/html; charset=UTF-8

上面代码中，HTTP 头信息的 Content-Type 字段先声明，服务器发送的数据类型是 text/html (即 HTML 网页)，然后声明网页的文字编码是 UTF-8。

网页内部也会再用 <meta> 标签，再次声明网页的编码。

html

<meta charset="UTF-8">

网页可以使用不同语言的编码方式，但是最常用的编码是 UTF-8。UTF-8 编码是 Unicode 字符集的一种表达方式。这个字符集的设计目标是包含世界上的所有字符，目前已经收入了十多万个字符。

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)。

由于下面的原因，不是每一个 Unicode 字符都能直接在 HTML 语言里面显示。

(1) 不是每个 Unicode 字符都可以打印出来，有些没有可打印形式，比如换行符的码点是十进制的 10 (十六进制的 A)，就没有对应的字面形式。

(2) 小于号 (<) 和大于号 (>) 用来定义 HTML 标签，其他需要用到这两个符号的场合，必须防止它们被解释成标签。

(3) 由于 Unicode 字符太多，无法找到一种输入法，可以直接输入所有这些字符。换言之，没有一种键盘，有办法输入所有符号。

(4) 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。

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 中 可以写成 中 (十进制) 或者 中 (十六进制)，浏览器会自动转换它们。

html

<p>hello</p>
<!-- 等同于 -->
<p>&#104;&#101;&#108;&#108;&#111;</p>
<!-- 等同于 -->
<p>&#x68;&#x65;&#x6c;&#x6c;&#x6f;</p>

上面代码中，字符可以直接表示，也可以使用十进制码点或十六进制码点表示。

注意，HTML 标签本身不能使用码点表示，否则浏览器会认为这是所要显示的文本内容，而不是标签。比如，<p> 一旦写成 <p> 或者 <p>，浏览器就不再认为这是标签了，而会当作文本内容将其显示为 <p>。

数字表示法的不方便之处，在于必须知道每个字符的码点，很难记忆。为了能够快速输入，HTML 为一些特殊字符，规定了容易记忆的名字，允许通过名字来表示它们，这称为实体表示法 (entity)。

实体的写法是 &name;，其中的 name 是字符的名字。下面是其中一些特殊字符，及其对应的实体。

注意，上面最后一个特殊字符是空格，它也有对应的实体表示法。

字符的数字表示法和实体表示法，都可以表示正常情况无法输入的字符，逃脱了浏览器的限制，所以英语里面称为“escape”，中文翻译为“字符的转义”。