網頁編碼(web page encoding)是在網頁中指定其字符編碼格式的庫。GBK 與 UTF-8 是最常見的兩種選擇,選對編碼能避免大量亂碼與存儲浪費問題。
GBK 是在國家標准 GB2312 基礎上擴容後兼容 GB2312 的標准。GBK 的文字編碼用雙字節表示,即不論中、英文字符均使用雙字節,為了區分中文,將其最高位都設定成 1。GBK 包含全部中文字符,屬於國家編碼,通用性比 UTF-8 差,但占用的數據庫空間比 UTF-8 小。
UTF-8 即 Unicode Transformation Format-8bit,允許含 BOM,但通常不含 BOM。它是用以解決國際上字符的一種多字節編碼:對英文使用 8 位(即一個字節),中文使用 24 位(三個字節)來編碼。UTF-8 包含全世界所有國家需要用到的字符,屬於國際編碼,通用性強,編碼後的文字可以在各國支持 UTF-8 字符集的浏覽器上顯示。如果是 UTF-8 編碼,外國人的英文 IE 上也能顯示中文,無需下載 IE 的中文語言支持包。
UTF-8 雖然具有良好的國際兼容性,但中文需要比 GBK/BIG5 多占用約 50% 的數據庫存儲空間,因此並非人人推薦,僅供對國際兼容性有特殊要求的用戶使用。簡單地說:對於中文較多的網站,適宜用 GBK 編碼節省數據庫空間;對於英文較多的網站,適宜用 UTF-8 節省數據庫空間。
GBK、GB2312 等與 UTF-8 之間必須通過 Unicode 編碼才能相互轉換:GBK、GB2312 → Unicode → UTF-8;UTF-8 → Unicode → GBK、GB2312。使用 Windows 記事本的「另存為」,可以在 GBK、Unicode、Unicode big endian 和 UTF-8 這幾種編碼方式間相互轉換。
一般在網頁中都要有如下一句:
<meta http-equiv="Content-Type" content="text/html; charset=gb2312">
它指示此網頁的字符集編碼是 GB2312(或 UTF-8)。
這可能是頁面申明編碼與文件本身編碼不一致,更多時候是以錯誤編碼打開頁面然後保存導致的,或者是用某些 FTP 軟件直接在線修改文件(比如 CuteFTP),由於軟件編碼配置錯誤而轉換錯了編碼。這時候用 Windows 記事本打開,用「另存為」保存為對應的編碼即可解決。
在 Windows 上使用 IE 作為浏覽器時,常常會發生這樣的問題:浏覽 UTF-8 編碼的網頁時,浏覽器無法自動識別該頁面所用的編碼,即使網頁已經聲明過編碼格式 <meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />,由此造成某些含中文的 UTF-8 頁面產生空白輸出。如果使用 Firefox、Safari 浏覽器則不會有這個問題。
原因在于 IE 解析網頁編碼時以 HTML 內的標簽優先,其次才是 HTTP header 內的訊息,而 Mozilla 系列浏覽器則恰好相反。由於 UTF-8 用 3 個字節表示一個漢字,而普通 GB2312 或 BIG5 是兩個,頁面輸出時,浏覽器解析並輸出 <title></title> 的內容時,如果在 </title> 前有奇數個全角字符,IE 把 UTF-8 當作兩個字節解析時會出現半個漢字的情況,這時該半個漢字會和 </title> 的 < 結合成一個亂碼字,導致 IE 無法讀完 title 部分,使整個頁面空白輸出;而此時查看源文件會發現整個頁面其實已全部輸出,只是浏覽器不顯示內容。
最簡單的解決辦法是把 <meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /> 放在 <title></title> 之前。
總結一句:編碼選擇上中文站偏 GBK、多語言站偏 UTF-8;而無論選哪種,都要確保「文件真實編碼」與「meta 聲明編碼」一致,並把 charset 聲明盡量靠前放置。