HTML5標準学習～コーディングを詳しく解説-H5 チュートリアル-php.cn

すべてのフロントエンドエンジニアは、一度は「文字化けしたコード」の兄弟に遭遇したことがあると思います。基礎がどれほどしっかりしていても、開発中に時々「文字化けしたコード」の兄弟とお茶を飲むことは避けられません。生産工程。フロントエンドエンジニアとして、ページのエンコーディングをどのように指定しますか?ブラウザがエンコードをどのように認識するか知っていますか?

まず、非常に単純な例として、Yujian の HTML ページを使用して、さまざまなブラウザーの違いを確認します。

<!DOCTYPE html>

ログイン後にコピー

最も単純な HTML、<head>和<body> コンテンツはなく、サーバーは特定のエンコーディングステートメントを与えず、ローカルで直接開きます各ブラウザでページのエンコーディングを確認します:

ブラウザ	表示エンコーディング	備考
IE6	UTF-8
IE8	UTF-8
IE9	GB2312	システムデフォルト文字セット
Firefox3.5	GBK2312	システムデフォルト文字セット
Firefox4.0	ISO-8859-1	西ヨーロッパ言語、英語のデフォルトのエンコーディング
Chrome	GBK	システムのデフォルトの文字セット
Opera	中国語 - 自動検出	もGB2312である必要があります

表からわかるように、エンコーディングを宣言する手段を使用しないページの解析はブラウザごとに異なります。もちろん、最も単純なページでは、どのようなエンコーディングが使用されても (もちろん ASCII のスーパーセットが前提です) 効果はありませんが、エンコーディングを正しく設定することの重要性を示すには十分です。

エンコーディングステートメント

HTML4 と

HTML5 では、それぞれエンコーディングステートメントの方法を説明する章が採用されています。HTML4 の関連する章を参照するにはここをクリックし、HTML5 の関連する章を参照するにはここをクリックしてください。

まず、コーディングとは何ですか?エンコーディングとは、真に正しいコンテンツを取得するために、特定の方法でバイトストリームを解析する特別なアルゴリズムを使用するようにブラウザ (またはユーザーエージェント) を指定することです。 HTML 標準では、エンコーディングはエイリアスを使用して表現できます。エンコーディングエイリアスは IANA 定義に基づいており、このリストにあるエンコーディングのみがブラウザーで認識されます。したがって、UTF-8 を UTF8 と記述すると、ブラウザはそれを完全に無視する可能性があります。さらに、エンコーディングエイリアスでは

大文字と小文字が区別されません。

HTML4 では、優先度に応じて次の 3 つの方法でページのエンコーディングを指定できます。

HTTP ヘッダーの Content-Type フィールドの後に文字セットが続きます。
<meta http-equiv="Content-Type"> タグを使用して宣言します。
<meta http-equiv="Content-Type">标签来声明。
对于部分外部资源，如<script>标签加载的js文件，可以通过标签上的charset属性声明。

这个自然没有什么疑问，需要注意的是，通过<meta http-equiv="Content-Type">标签来声明页面的话，当浏览器遇上该标签时，如果发现自己使用的编码与标签声明的不符，是会回到头里重新解析页面的。这会导致页面的一部分被重新解析，因此如果试图使用标签的方式声明编码的话，建议将标签尽可能地写在前面。一个最佳实践是写在<head>标签之后，任何其他标签之前。关于这一点，Google PageSpeed也有相应的介绍。

时代演进

但是随着时间的推移，开发者渐渐发现了一件事。就如同DOCTYPE的最简声明一样，其实浏览器在读取<meta>标签的编码的时候，并不是严格地按照标准进行的。总而言之，由于在HTML的解析阶段，基于在Tokenizer阶段之前就必须确定好页面的编码，因此浏览器不可能像分析DOM树一样，在DOM树构建的时候再分解<meta>标签的结构，取出其中的http-equiv和content属性，再确定编码。

现实中，浏览器做了一件非常简单的事，来读取<meta>标签定义的编码：

确定这是一个<meta>标签，这根据HTML解析的状态机，由"<"字符加上"meta"字符串就能确定。
查找该字符串（此处还没有标签的概念，只是个字符串），找到一个子字符串"charset"。
再向后读，忽略掉所有的空格字符，找到第一个有意义的字符c。

如果c不是"="这个字符，则回到第2步继续找。
如果c是"="这个字符，继续向下走。

再跳掉所有的空格字符和单引号、双引号等，向后扫描，直到遇上单引号、双引号、空格字符、结束标签等不应该出现的字符为上，截取其中扫描得出的字符串s。
分析s，得到编码别名。

从上面的算法，不难发现，下面几种写法，其实都能让浏览器正确地识别出编码：

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

<script>

これについては疑いの余地はありませんが、ページが <meta http-equiv="Content-Type"> タグを通じて宣言されている場合、このタグをロードするときに、使用するエンコーディングがタグ宣言と矛盾していることが判明した場合は、最初に戻ってページを再解析することになります。これにより、ページの一部が再解析されるため、タグを使用してエンコーディングを宣言しようとしている場合は、できるだけ早くタグを記述することをお勧めします。ベストプラクティスは、<head> タグの後、他のタグの前にこれを記述することです。この点に関しては、Google PageSpeedにも対応した導入がなされています。

時代の進化

しかし、時間が経つにつれて、開発者は徐々にあることを発見しました。 DOCTYPE の最も単純なステートメントと同様に、実際、ブラウザが <meta> タグのエンコーディングを読み取るときは、標準に厳密に従っていません。全体として、HTML 解析段階では、トークナイザー段階の前にページのエンコーディングを決定する必要があるため、ブラウザーが <meta> タグ構造を分解して < を取り出すことは不可能です。 code>http-equiv 属性と content 属性を使用して、エンコーディングを決定します。 🎜🎜実際には、ブラウザは <meta> タグで定義されたエンコーディングを読み取るという非常に単純な処理を行います。 🎜🎜🎜🎜これが

<meta> であることを確認してください。 code> タグは、HTML によって解析された  ステータス マシンに基づいており、先頭に「<」が続きます。 " 文字 "メタ"文字列 🎜 を決定できます。 🎜🎜🎜🎜文字列を検索し (ここではラベルの概念はなく、文字列のみです)、部分文字列「charset」を見つけます。 🎜🎜🎜🎜逆方向に読み、すべてのスペース文字を無視し、最初の意味のある文字を見つけます。 c. 🎜🎜

🎜🎜 c が「=」文字ではない場合は、手順 2 に戻って検索を続けます。 🎜🎜🎜🎜cが文字「=」の場合は、下に進みます。 🎜🎜🎜🎜🎜 次に、すべてのスペース文字、一重引用符、二重引用符などをスキップし、一重引用符、二重引用符、スペース文字、終了タグ、およびその他の出現すべきではない文字が見つかるまで逆方向にスキャンし、それらをインターセプトしてスキャンします。文字列 s. 🎜🎜🎜🎜 を分析し、エンコーディングのエイリアスを取得します。 🎜🎜🎜上記のアルゴリズムから、次の記述方法によって実際にブラウザがエンコーディングを正しく識別できることを見つけるのは難しくありません: 🎜

🎜🎜< code ><meta http-equiv="Cotnent-Type" content="text/html; charset=utf-8" />🎜🎜🎜🎜<meta charset="utf-8 " />🎜🎜🎜🎜<meta charset=utf-8 />🎜🎜🎜🎜...その他多くの奇妙な書き方。 🎜🎜🎜🎜それで、歴史が進むにつれ、ついにある日、さまざまなブラウザメーカーが一堂に会して、この問題について議論し始めました...最終的には、彼らの実装が非常に似ていることに気づき、驚きました (おそらく、それぞれのメーカーから学んだだけかもしれません) other)、そこで彼らはこのメソッドを標準にすることに決めました...長い議論の末、最終的に、広く愛されている HTML5 のエンコーディング宣言メソッドが誕生しました。 HTML5 では、これは「メタ文字セット要素」と呼ばれ、その最も単純な形式は次のとおりです: 🎜