# 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``标签,再次声明网页的编码。 ```html ``` ## 字符的数字表示法 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`N;`(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
hello
hello
hello
``` 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,``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`
`。 ## 字符的实体表示法 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。 - `<`:`<` - `>`:`>` - `"`:`"` - `'`:`'` - `&`:`&` - `©`:`©` - `#`:`#` - `§`:`§` - `¥`:`¥` - `$`:`$` - `£`:`£` - `¢`:`¢` - `%`:`%` - `*`:`$ast;` - `@`:`@` - `^`:`^` - `±`:`±` - 空格:` ` 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”。