選錯字元編碼,網頁就會出現亂碼。要選對,得先知道兩者的設計目標根本不同:GBK 是為中文優化的雙位元組編碼,UTF-8 是為全球字元設計的變長編碼。
GB 2312(或稱 GB 2312-80)是簡體中文字元集的中國國家標準,全名《資訊交換用漢字編碼字元集·基本集》,又稱 GB0,1981 年 5 月 1 日實施。它通行於中國大陸,新加坡等地也有採用,幾乎所有中文系統與國際化軟體都支援。
這個標準收錄了 6763 個漢字——一級漢字 3755 個、二級漢字 3008 個——另外還包含拉丁字母、希臘字母、日文平假名與片假名、俄語西里爾字母等共 682 個全形字元。它的出現基本滿足了漢字的電腦處理需求,覆蓋了大陸 99.75% 的使用頻率。
但人名、古漢語中的罕用字它處理不了,這正是後來 GBK 與 GB 18030 出現的原因。
GBK 是在 GB 2312 基礎上擴充、且向下相容的標準,包含全部中文字元。它的做法是不論中文或英文,一律用雙位元組表示,並把高位設為 1 以便與 ASCII 區分。
這個設計的好處是處理一致、變數長度固定,字串操作相對簡單;缺點是英文也佔兩個位元組,對英文為主的內容來說很浪費。
UTF-8 是 Unicode 的一種變長編碼,又稱萬國碼,由 Ken Thompson 於 1992 年建立,後來標準化為 RFC 3629。它用 1 到 6 個位元組編碼 Unicode 字元,實務上最常用到 4 個位元組。
具體規則是:英文使用 8 位元(1 個位元組),中文使用 24 位元(3 個位元組)。也就是說,英文多的網站用 UTF-8 反而省空間;中文多的網站則以 GBK 較省。
收錄範圍:GBK 包含全部中文字元;UTF-8 包含全世界所有國家需要用到的字元。
編碼長度:GBK 固定雙位元組;UTF-8 是 1~4 位元組變長。
英文佔用:GBK 一個英文佔 2 位元組;UTF-8 只佔 1 位元組。
相容性:GBK 相容 GB 2312;UTF-8 編碼的文字可以在任何支援 UTF-8 的瀏覽器上正確顯示。
最實際的判斷是看內容的語言組成。以英文為主的網站用 UTF-8,因為英文只佔一個位元組,能省下可觀的傳輸量。純中文、且無需處理其他語言的站點用 GBK 較精簡。
但實務上,新專案幾乎都該選 UTF-8,理由有三:
第一,跨語言不必切編碼。以 UTF-8 存檔,外國使用者的英文環境瀏覽器也能正常顯示中文,不需要另外下載中文語言套件。
第二,避免罕用字爆炸。使用者名稱裡出現 UTF-8 能表達、GBK 無法表達的字元時,GBK 系統會直接爆掉或變問號。
第三,工具鏈支援最好。現代資料庫、框架、HTTP 標頭的預設值幾乎都是 UTF-8,堅持 GBK 反而處處要設定。
最後提醒一個常見陷阱:檔案編碼與宣告必須一致。檔案存成 UTF-8 卻宣告 charset=gbk(或反之),就會亂碼。HTML 裡用 <meta charset="UTF-8"> 宣告,伺服器回應標頭也應帶上 Content-Type: text/html; charset=utf-8,資料庫連線字串同樣要指定,三處對齊才不會出問題。