HTML汉字编码标准详解：从GB2312到GB18030及UTF-8

HTML中的编码声明方式

在HTML中，指定网页所使用的字符编码是确保内容正确显示的关键步骤。传统方式通过meta标签的http-equiv属性来声明，例如：

<meta http-equiv="Content-Type" content="text/html;charset=UTF-8">

而在HTML5中，提供了更简洁的写法：

<meta charset="UTF-8">

这两种方式均能有效告知浏览器页面采用的编码格式，从而避免乱码问题。

Unicode与UTF-8编码

由于全球语言文字种类繁多，为实现跨语言、跨平台的文本转换与处理，国际组织制定了Unicode编码标准。该标准于1994年正式发布，并持续更新，目前提供了1,114,112个码点，覆盖了包括古文字符号在内的人类可读字符集。然而，Unicode编码通常使用32位（4字节）表示一个字符，对于常用字符（如ASCII）也需占用较多存储空间，内存使用效率较低。

为解决这一问题，UTF-8编码应运而生。它是一种变长的8位编码格式，常用字符可用较少字节表示，而较少使用的字符则占用更多字节，从而提升空间利用率。例如，ASCII字符仍以单字节表示，通过识别高位模式实现与Unicode的兼容。具体编码规则如下：

• 0000~007F：0xxxxxxx，单字节，7位有效，对应ASCII字符。
• 0080~07FF：110xxxxx, 10xxxxxx，双字节，11位有效。
• 0800~FFFF：1110xxxx, 10xxxxxx, 10xxxxxx，三字节，16位有效。
• 10000~1FFFFF：11110xxx, 10xxxxxx, 10xxxxxx, 10xxxxxx，四字节，21位有效。

观察规律可见：若首字节最高位不为0，则连续1的个数表示序列中码元数量；后续码元均以10开头。Unicode还包含UTF-16、UTF-32等格式，但UTF-8因其高效性和兼容性被广泛采用。

汉字编码的演进：GB2312、GBK与GB18030

在计算机中表示汉字，早期最常用的是GB2312编码，于1980年发布，全称为《信息交换用汉字编码字符集--基本集》。它采用双字节表示一个汉字，共收录6763个汉字和682个非汉字图形字符，并兼容ASCII。然而，GB2312的汉字覆盖有限，无法表示港台繁体字、生僻字及古汉字，实际应用中常感不便。

为弥补不足，GBK编码标准在GB2312基础上扩展，增加了繁体字和异体字的支持，扩大了适用范围。随后，GB18030编码标准发布，其2000版本收录27533个汉字，2005版本则扩充至70244个汉字，并包含藏、蒙古、傣、彝、朝鲜、维吾尔等少数民族文字。GB18030的总编码空间超过150万个码位，采用单字节、双字节和四字节混合编码：

• 单字节部分：遵循GB/T11383规则，使用0x00至0x7F，对应ASCII码。
• 双字节部分：首字节0x81至0xFE，尾字节0x40至0x7E和0x80至0xFE。
• 四字节部分：利用GB/T11383未用的0x30至0x39作为后缀，范围从0x81308130到0xFE39FE39。

GB18030标准仍在持续扩充中，以满足更多字符需求。

如何选择编码标准

为更全面地表示汉字及特殊符号，并兼顾未来兼容性，新制作的网页建议采用GB18030标准，可通过以下方式声明：

<meta http-equiv="Content-Type" content="text/html;charset=gb18030">

或使用HTML5简化写法：

<meta charset="gb18030">

若需显示多国文字，国际通用的UTF-8编码也是理想选择。开发者应根据实际需求权衡，确保网页内容准确呈现。