新手站长入门教程：网页编码就是那点事
发布时间：2024-05-19 点击：197
编码一直是让新手头疼的问题，特别是 gbk、gb2312、utf-8 这三个比较常见的网页编码的区别，更是让许多新手晕头转向，怎么解释也解释不清楚。但是编码又是那么重要，特别在网页这一块。如果你打出来的不是乱码，而网页中出现了乱码，绝大部分原因就出在了编码上了。此外除了乱码之外，还会出现一些其他问题(例如：ie6 的 css 加载问题)等等。潜行者m 写出本文的目的，就是要彻底解释清楚这个编码问题!如果你遇到了类似的问题，那就要仔细的看看这篇文章。
ansi、gbk、gb2312、utf-8、gb18030和 unicode
这几个编码关键词是比较常见的，虽然我把我们放在了一起说，但并不意味这这几个东西是平级的关系。本部分的内容，引用自网络略有修改，不知原文出处，故无法署名。
很久很久以前，有一群人，他们决定用8个可以开合的晶体管来组合成不同的状态，以表示世界上的万物，他们把这称为”字节”。再后来，他们又做了一些可以处理这些字节的机器，机器开动了，可以用字节来组合出很多状态，状态开始变来变去，他们就把这机器称为”计算机”。
开始计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。他们把其中的编号从0开始的32种状态分别规定了特殊的用途，一但终端、打印机遇上约定好的这些字节被传过来时，就要做一些约定的动作。遇上 00×10, 终端就换行，遇上0×07, 终端就向人们嘟嘟叫，例好遇上0x1b, 打印机就打印反白的字，或者终端就用彩色显示字母。他们看到这样很好，于是就把这些0×20以下的字节状态称为”控制码”。
他们又把所有的空格、标点符号、数字、大小写字母分别用连续的字节状态表示，一直编到了第127号，这样计算机就可以用不同字节来存储英语的文字 了。大家看到这样，都感觉很好，于是大家都把这个方案叫做 ansi 的”ascii”编码(american standard code for information interchange，美国信息互换标准代码)。当时世界上所有的计算机都用同样的ascii方案来保存英文文字。
后来计算机发展越来越广泛，世界各国为了可以在计算机保存他们的文字，他们决定采用127号之后的空位来表示这些新的字母、符号，还加入了很多画表格时需要用下到的横线、竖线、交叉等形状，一直把序号编到了 最后一个状态255。从128到255这一页的字符集被称”扩展字符集”。但是原有的编号方法，已经再也放不下更多的编码。
等中国人们得到计算机时，已经没有可以利用的字节状态来表示汉字，况且有6000多个常用汉字需要保存呢。于是国人就自主研发，把那些127号之后的奇异符号们直接取消掉。规定：一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节(他称之为高字节)从0xa1用到 0xf7，后面一个字节(低字节)从0xa1到0xfe，这样我们就可以组合出大约7000多个简体汉字了。在这些编码里，我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了，连在 ascii 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码，这就是常说的”全角”字符，而原来在127号以下的那些就叫”半角”字符了。
中国人民看到这样很不错，于是就把这种汉字方案叫做 “gb2312′。gb2312 是对 ascii 的中文扩展。
但是中国的汉字太多了，后来还是不够用，于是干脆不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是 扩展字符集里的内容。结果扩展之后的编码方案被称为 gbk 标准，gbk 包括了 gb2312 的所有内容，同时又增加了近20000个新的汉字(包括繁体字)和符号。后来少数民族也要用电脑了，于是我们再扩展，又加了几千个新的少数民族的字，gbk 扩成了 gb18030。从此之后，中华民族的文化就可以在计算机时代中传承了。
因为当时各个国家都像中国这样搞出一套自己的编码标准，结果互相之间谁也不懂谁的编码，谁也不支持别人的编码。当时的中国人想让电脑显示汉字，就必须装上一个”汉字系统”，专门用来处理汉字的显示、输入的问题，装错了字符系统，显示就会乱了套。这怎么办就在这时，一个叫 iso (国际标谁化组织)的国际组织决定着手解决这个问题。他们采用的方法很简单：废了所有的地区性编码方案，重新搞一个包括了地球上所有文化、所有字母和符号的编码!他们打算叫它”universal multiple-octet coded character set”，简称 ucs, 俗称 “unicode”。
unicode 开始制订时，计算机的存储器容量极大地发展了，空间再也不成为问题了。于是 iso 就直接规定必须用两个字节，也就是16位来统一表示所有的字符，对于 ascii 里的那些”半角”字符，unicode 包持其原编码不变，只是将其长度由原来的8位扩展为16位，而其他文化和语言的字符则全部重新统一编码。由于”半角”英文符号只需要用到低8位，所以其高 8位永远是0，因此这种大气的方案在保存英文文本时会多浪费一倍的空间。
但是，unicode 在制订时没有考虑与任何一种现有的编码方案保持兼容，这使得 gbk 与unicode 在汉字的内码编排上完全是不一样的，没有一种简单的算术方法可以把文本内容从unicode编码和另一种编码进行转换，这种转换必须通过查表来进行。 unicode 是用两个字节来表示为一个字符，他总共可以组合出65535不同的字符，这大概已经可以覆盖世界上所有文化的符号。
unicode 来到时，一起到来的还有计算机网络的兴起，unicode 如何在网络上传输也是一个必须考虑的问题，于是面向传输的众多 utf(ucs transfer format)标准出现了，顾名思义，utf8 就是每次8个位传输数据，而 utf16 就是每次16个位，只不过为了传输时的可靠性，从unicode到 utf时并不是直接的对应，而是要过一些算法和规则来转换。
看完这些，相信你对于这几个编码关系等，了解的比较清楚了吧。我再来简单的总结一下：
1、中国人民通过对 ascii 编码的中文扩充改造，产生了 gb2312 编码，可以表示6000多个常用汉字。
2、汉字实在是太多了，包括繁体和各种字符，于是产生了 gbk 编码，它包括了 gb2312 中的编码，同时扩充了很多。
3、中国是个多民族国家，各个民族几乎都有自己独立的语言系统，为了表示那些字符，继续把 gbk 编码扩充为 gb18030 编码。
4、每个国家都像中国一样，把自己的语言编码，于是出现了各种各样的编码，如果你不安装相应的编码，就无法解释相应编码想表达的内容。
5、终于，有个叫 iso 的组织看不下去了。他们一起创造了一种编码 unicode ，这种编码非常大，大到可以容纳世界上任何一个文字和标志。所以只要电脑上有 unicode 这种编码系统，无论是全球哪种文字，只需要保存文件的时候，保存成 unicode 编码就可以被其他电脑正常解释。
unicode 在网络传输中，出现了两个标准 utf-8 和 utf-16，分别每次传输 8个位和 16个位。
于是就会有人产生疑问，utf-8 既然能保存那么多文字、符号，为什么国内还有这么多使用 gbk 等编码的人因为 utf-8 等编码体积比较大，占电脑空间比较多，如果面向的使用人群绝大部分都是中国人，用 gbk 等编码也可以。但是目前的电脑来看，硬盘都是白菜价，电脑性能也已经足够无视这点性能的消耗了。所以推荐所有的网页使用统一编码：utf-8。
关于记事本无法单独保存“联通”的问题
当你新建一个 文本文档 之后，在里面输入 “联通” 两个字，然后保存。当你再次打开的时候，原来输入的 “联通” 会变成两个乱码。
这个问题就是因为 gb2312 编码与 utf8 编码产生了编码冲撞造成的。从网上引来一段从unicode到utf8的转换规则：
utf-8
0000 – 007f
0xxxxxxx
0080 – 07ff
110xxxxx 10xxxxxx
0800 – ffff
1110xxxx 10xxxxxx 10xxxxxx
例如”汉”字的unicode编码是6c49。6c49在0800-ffff之间，所以要用3字节模板：1110xxxx 10xxxxxx 10xxxxxx。将6c49写成二进制是：0110 1100 0100 1001，将这个比特流按三字节模板的分段方法分为0110 110001 001001，依次代替模板中的x，得到：1110-0110 10-110001 10-001001，即e6 b1 89，这就是其utf8的编码。
而当你新建一个文本文件时，记事本的编码默认是ansi, 如果你在ansi的编码输入汉字，那么他实际就是gb系列的编码方式，在这种编码下，”联通”的内码是：
c1 1100 0001
aa 1010 1010
cd 1100 1101
a8 1010 1000
注意到了吗第一二个字节、第三四个字节的起始部分的都是”110′和”10′，正好与utf8规则里的两字节模板是一致的，于是再次打开记事本 时，记事本就误认为这是一个utf8编码的文件，让我们把第一个字节的110和第二个字节的10去掉，我们就得到了”00001 101010′，再把各位对齐，补上前导的0，就得到了”0000 0000 0110 1010′，不好意思，这是unicode的006a，也就是小写的字母”j”，而之后的两字节用utf8解码之后是0368，这个字符什么也不是。这就 是只有”联通”两个字的文件没有办法在记事本里正常显示的原因。
由这个问题，可以发散出很多问题。比较常见的一个问题就是：我已经把文件保存成了 xx 编码，为什么每次打开，还是原来的 yy 编码!原因就在于此，你虽然保存成了 xx 编码，但是系统识别的时候，却误识别为了 yy 编码，所以还是显示为 yy 编码。为了避免这个问题，
企业为何需要做全网营销呢？
为什么传统企业做不好竞价推广
关于企业网站建设的几点建议
从不同角度检索的关键字的搜索意图来规划seo策略
香港服务器可以访问国外网站吗？速度快不快？
服务器升级成本控制解决方案
纯干货丨三招带你了解开发一个软件要花多少钱
分享一下新站如何在3个月有排名？
ansi、gbk、gb2312、utf-8、gb18030和 unicode
这几个编码关键词是比较常见的，虽然我把我们放在了一起说，但并不意味这这几个东西是平级的关系。本部分的内容，引用自网络略有修改，不知原文出处，故无法署名。
很久很久以前，有一群人，他们决定用8个可以开合的晶体管来组合成不同的状态，以表示世界上的万物，他们把这称为”字节”。再后来，他们又做了一些可以处理这些字节的机器，机器开动了，可以用字节来组合出很多状态，状态开始变来变去，他们就把这机器称为”计算机”。
开始计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。他们把其中的编号从0开始的32种状态分别规定了特殊的用途，一但终端、打印机遇上约定好的这些字节被传过来时，就要做一些约定的动作。遇上 00×10, 终端就换行，遇上0×07, 终端就向人们嘟嘟叫，例好遇上0x1b, 打印机就打印反白的字，或者终端就用彩色显示字母。他们看到这样很好，于是就把这些0×20以下的字节状态称为”控制码”。
他们又把所有的空格、标点符号、数字、大小写字母分别用连续的字节状态表示，一直编到了第127号，这样计算机就可以用不同字节来存储英语的文字 了。大家看到这样，都感觉很好，于是大家都把这个方案叫做 ansi 的”ascii”编码(american standard code for information interchange，美国信息互换标准代码)。当时世界上所有的计算机都用同样的ascii方案来保存英文文字。
后来计算机发展越来越广泛，世界各国为了可以在计算机保存他们的文字，他们决定采用127号之后的空位来表示这些新的字母、符号，还加入了很多画表格时需要用下到的横线、竖线、交叉等形状，一直把序号编到了 最后一个状态255。从128到255这一页的字符集被称”扩展字符集”。但是原有的编号方法，已经再也放不下更多的编码。
等中国人们得到计算机时，已经没有可以利用的字节状态来表示汉字，况且有6000多个常用汉字需要保存呢。于是国人就自主研发，把那些127号之后的奇异符号们直接取消掉。规定：一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节(他称之为高字节)从0xa1用到 0xf7，后面一个字节(低字节)从0xa1到0xfe，这样我们就可以组合出大约7000多个简体汉字了。在这些编码里，我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了，连在 ascii 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码，这就是常说的”全角”字符，而原来在127号以下的那些就叫”半角”字符了。
中国人民看到这样很不错，于是就把这种汉字方案叫做 “gb2312′。gb2312 是对 ascii 的中文扩展。
但是中国的汉字太多了，后来还是不够用，于是干脆不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是 扩展字符集里的内容。结果扩展之后的编码方案被称为 gbk 标准，gbk 包括了 gb2312 的所有内容，同时又增加了近20000个新的汉字(包括繁体字)和符号。后来少数民族也要用电脑了，于是我们再扩展，又加了几千个新的少数民族的字，gbk 扩成了 gb18030。从此之后，中华民族的文化就可以在计算机时代中传承了。
因为当时各个国家都像中国这样搞出一套自己的编码标准，结果互相之间谁也不懂谁的编码，谁也不支持别人的编码。当时的中国人想让电脑显示汉字，就必须装上一个”汉字系统”，专门用来处理汉字的显示、输入的问题，装错了字符系统，显示就会乱了套。这怎么办就在这时，一个叫 iso (国际标谁化组织)的国际组织决定着手解决这个问题。他们采用的方法很简单：废了所有的地区性编码方案，重新搞一个包括了地球上所有文化、所有字母和符号的编码!他们打算叫它”universal multiple-octet coded character set”，简称 ucs, 俗称 “unicode”。
unicode 开始制订时，计算机的存储器容量极大地发展了，空间再也不成为问题了。于是 iso 就直接规定必须用两个字节，也就是16位来统一表示所有的字符，对于 ascii 里的那些”半角”字符，unicode 包持其原编码不变，只是将其长度由原来的8位扩展为16位，而其他文化和语言的字符则全部重新统一编码。由于”半角”英文符号只需要用到低8位，所以其高 8位永远是0，因此这种大气的方案在保存英文文本时会多浪费一倍的空间。
但是，unicode 在制订时没有考虑与任何一种现有的编码方案保持兼容，这使得 gbk 与unicode 在汉字的内码编排上完全是不一样的，没有一种简单的算术方法可以把文本内容从unicode编码和另一种编码进行转换，这种转换必须通过查表来进行。 unicode 是用两个字节来表示为一个字符，他总共可以组合出65535不同的字符，这大概已经可以覆盖世界上所有文化的符号。
unicode 来到时，一起到来的还有计算机网络的兴起，unicode 如何在网络上传输也是一个必须考虑的问题，于是面向传输的众多 utf(ucs transfer format)标准出现了，顾名思义，utf8 就是每次8个位传输数据，而 utf16 就是每次16个位，只不过为了传输时的可靠性，从unicode到 utf时并不是直接的对应，而是要过一些算法和规则来转换。
看完这些，相信你对于这几个编码关系等，了解的比较清楚了吧。我再来简单的总结一下：
1、中国人民通过对 ascii 编码的中文扩充改造，产生了 gb2312 编码，可以表示6000多个常用汉字。
2、汉字实在是太多了，包括繁体和各种字符，于是产生了 gbk 编码，它包括了 gb2312 中的编码，同时扩充了很多。
3、中国是个多民族国家，各个民族几乎都有自己独立的语言系统，为了表示那些字符，继续把 gbk 编码扩充为 gb18030 编码。
4、每个国家都像中国一样，把自己的语言编码，于是出现了各种各样的编码，如果你不安装相应的编码，就无法解释相应编码想表达的内容。
5、终于，有个叫 iso 的组织看不下去了。他们一起创造了一种编码 unicode ，这种编码非常大，大到可以容纳世界上任何一个文字和标志。所以只要电脑上有 unicode 这种编码系统，无论是全球哪种文字，只需要保存文件的时候，保存成 unicode 编码就可以被其他电脑正常解释。
unicode 在网络传输中，出现了两个标准 utf-8 和 utf-16，分别每次传输 8个位和 16个位。
于是就会有人产生疑问，utf-8 既然能保存那么多文字、符号，为什么国内还有这么多使用 gbk 等编码的人因为 utf-8 等编码体积比较大，占电脑空间比较多，如果面向的使用人群绝大部分都是中国人，用 gbk 等编码也可以。但是目前的电脑来看，硬盘都是白菜价，电脑性能也已经足够无视这点性能的消耗了。所以推荐所有的网页使用统一编码：utf-8。
关于记事本无法单独保存“联通”的问题
当你新建一个 文本文档 之后，在里面输入 “联通” 两个字，然后保存。当你再次打开的时候，原来输入的 “联通” 会变成两个乱码。
这个问题就是因为 gb2312 编码与 utf8 编码产生了编码冲撞造成的。从网上引来一段从unicode到utf8的转换规则：
utf-8
0000 – 007f
0xxxxxxx
0080 – 07ff
110xxxxx 10xxxxxx
0800 – ffff
1110xxxx 10xxxxxx 10xxxxxx
例如”汉”字的unicode编码是6c49。6c49在0800-ffff之间，所以要用3字节模板：1110xxxx 10xxxxxx 10xxxxxx。将6c49写成二进制是：0110 1100 0100 1001，将这个比特流按三字节模板的分段方法分为0110 110001 001001，依次代替模板中的x，得到：1110-0110 10-110001 10-001001，即e6 b1 89，这就是其utf8的编码。
而当你新建一个文本文件时，记事本的编码默认是ansi, 如果你在ansi的编码输入汉字，那么他实际就是gb系列的编码方式，在这种编码下，”联通”的内码是：
c1 1100 0001
aa 1010 1010
cd 1100 1101
a8 1010 1000
注意到了吗第一二个字节、第三四个字节的起始部分的都是”110′和”10′，正好与utf8规则里的两字节模板是一致的，于是再次打开记事本 时，记事本就误认为这是一个utf8编码的文件，让我们把第一个字节的110和第二个字节的10去掉，我们就得到了”00001 101010′，再把各位对齐，补上前导的0，就得到了”0000 0000 0110 1010′，不好意思，这是unicode的006a，也就是小写的字母”j”，而之后的两字节用utf8解码之后是0368，这个字符什么也不是。这就 是只有”联通”两个字的文件没有办法在记事本里正常显示的原因。
由这个问题，可以发散出很多问题。比较常见的一个问题就是：我已经把文件保存成了 xx 编码，为什么每次打开，还是原来的 yy 编码!原因就在于此，你虽然保存成了 xx 编码，但是系统识别的时候，却误识别为了 yy 编码，所以还是显示为 yy 编码。为了避免这个问题，
企业为何需要做全网营销呢？
为什么传统企业做不好竞价推广
关于企业网站建设的几点建议
从不同角度检索的关键字的搜索意图来规划seo策略
香港服务器可以访问国外网站吗？速度快不快？
服务器升级成本控制解决方案
纯干货丨三招带你了解开发一个软件要花多少钱
分享一下新站如何在3个月有排名？