HTML Entities & Charset & URL Encode

初发布于 12 Mar 2015 | in HTML

HTML Entities

Character entities are used to display reserved characters in HTML. 字符实体用于显示HTML的保留字符。许多通用键盘上没有的数学符号、科技符号、货币符号等，也可以通过HTML实体来表示。

有两种写法：

&entity_name;

OR

&#entity_number;

优点：使用前者（实体名字）便于记忆。

缺点：The browsers may not support all entity names, but the support for numbers（十进制或十六进制）is good. 浏览器不一定支持（能识别）所有的实体名称。

Tips：

  • If you use an HTML entity name, or number, the character will always display correctly. This is independent of what character set (encoding) your page uses! 无论用实体名还是数字，字符都会正确显示，这个是独立于网页所使用的编码字符集的。
  • Remember that browsers will always truncate spaces in HTML pages. If you write 10 spaces in your text, the browser will remove 9 of them. 为了在文本中加入1个以上的空格，可以使用   字符实体。
  • Symbols 实体用法一样。

注意： Entity names 是 case sensitive 大小写敏感的！

HTML Charset

为正确显示网页，浏览器必须知道使用哪种 character set （character encoding）字符集/编码。

ASCII was the first character encoding standard (also called character set). ASCII supported numbers (0-9), English letters (A-Z), and some special characters like ! $ + - ( ) @ < > .

ASCII，代表美国信息交换标准码。它是一个7位字符代码，每个位代表一个唯一的字符。

一些符号正则表达式检测不出来

网络上找到的ascii字符表，测试发现编码在 \x80-\x9f 范围内的符号用 /^[\x00-\xff]+$/ 这个正则表达式检测不出来。

以8位，256个字符，根据 Windows-1252（代码页1252）编码的 ASCII 表，它是 ISO 8859-1 在可打印字符方面的超集。其中在128到159（十六进制80到9F）范围内，ISO / IEC 8859-1具有不可见的控制字符，而 Windows-1252 替换为额外的一些常用，但未包含在 ISO-8859-1 中的字符。

扩展表里显示的128-159的字符是Windows-1252 (CP-1252)可打印字符，实际对应的 ascii 编码不在\x00-\xff范围内，所以正则校验不通过。

Unicode

Unicode（中文：万国码、国际码、统一码、单一码）是计算机科学领域里的一项业界标准，它对世界上大部分的文字系统进行了整理、编码，并广泛地应用于电脑软件的国际化与本地化过程，如可扩展置标语言(Extensible Markup Language，简称：XML)、Java编程语言以及现代的操作系统。

一个字符的 Unicode 编码是确定的。但是在实际传输过程中，由于不同系统平台的设计不一定一致，以及出于节省空间的目的，对 Unicode 编码的实现方式有所不同。

Unicode 的实现方式称为Unicode转换格式（Unicode Transformation Format，简称为UTF），目前通用的实现方式是UTF-16小端序（LE）、UTF-16大端序（BE）和UTF-8。

The default character encoding was changed to UTF-8 in HTML5（All HTML 4 processors also support UTF-8).

HTML5

<meta charset="UTF-8">

HTML4

<meta http-equiv="Content-Type" content="text/html;charset=ISO-8859-1">

中文Unicode字符集

CJK Chinese Unicode

HTML URL(Uniform Resource Locators)

URL 也就是 web address。通常人们容易记住映射成单词的网址，而不会去刻意记住ip地址形式的url。

URL 格式

scheme://host.domain:port/path/filename

说明:

  • scheme - defines the type of Internet service.（most common type is https）
  • host - defines the domain host (default host for http is www)
  • domain - defines the Internet domain name, like w3schools.com
  • port - defines the port number at the host (default port number for http is 80)
  • path - defines a path at the server (If omitted, the document must be stored at the root directory of the site)
  • filename - defines the name of a document/resource

URL Encoding

URLs can only be sent over the Internet using the ASCII character-set.

Since URLs often contain characters outside the ASCII set （因为URL 中经常含有ASCII字符集以外的字符，比如请求参数里含有字母、带有音标，如法语西语字母）, we must converts characters into a format that can be transmitted over the Internet. 此时必须使用URL编码把这些字符转换为可以在因特网中传输的形式。

URL encoding replaces non ASCII characters with a “%” followed by 2 hexadecimal digits. URL编码用一个 % 紧跟着两个十六进制数字来替换URL中非ASCII字符。（比如 € 欧元符号，编码为：％E2％82％AC）

URLs cannot contain spaces, normally replaces a space with a plus (+) sign or %20. URL中不能含有空格，通常用一个加号替换空格。

URL编码/转义尽量使用 encodeURI()、 encodeURIComponent()。解码使用想对应的 decodeURI()、decodeURIComponent()。

区别：encodeURI 应当用于整个 URI 的编码，encodeURIComponent 则用于 URI 中某个部分的编码。

encodeURI('https://www.baidu.com/ a b c')           // "https://www.baidu.com/%20a%20b%20c"
encodeURIComponent('https://www.baidu.com/ a b c')  // "https%3A%2F%2Fwww.baidu.com%2F%20a%20b%20c"
encodeURIComponent(' a b c')                        // "%20a%20b%20c"

注意：不要使用几乎废弃的 escape()，unescape()，否则会引入 % 开头的非法字符串。其他人使用上面的函数进行解析时会报错。

如： unescape('%u0107')，使用上面的函数解析会报错