Codificarea literelor rusești în html. Codificare HTML. În ce codificare pentru a salva pagina web. Fișier de testare pentru a verifica codificarea

Când creează un site, webmasterii începători au adesea întrebări: în ce codificare să creeze un site, cum diferă UTF-8 de Windows-1251 și cum să-l înregistreze în setul de caractere META al paginii HTML a site-ului. La toate aceste întrebări se răspunde în acest articol.

Ce este codificarea site-ului și cum funcționează

Codificarea poate fi reprezentată ca un tabel format din diferite litere, numere și alte caractere ușor de înțeles pentru oameni, care sunt codificate într-un anumit mod. Când deschideți un fișier text, care include pagini HTML, computerul citește din antetul fișierului în ce codificare a fost salvat și scoate textul în codificarea corespunzătoare, transformând datele computerului într-o formă care poate fi citită de om, comparând aceste date cu codificarea. masa. Dacă informațiile de codificare din antetul fișierului se potrivesc cu codarea în care sunt stocate datele în pagina HTML, atunci utilizatorul vede litere, numere și alte caractere familiare. Dacă există o nepotrivire, atunci, ca rezultat, un set de caractere de neînțeles este afișat utilizatorului, acest lucru se întâmplă mai ales în programele de e-mail vechi. Dacă utilizatorul a primit o scrisoare cu crăpături de neînțeles, atunci pur și simplu sortând prin diferite codificări, de obicei se dovedește a ghici și selecta pe cea în care este scrisă scrisoarea și, ca urmare, un set de caractere de neînțeles se transformă într-un text care este de înțeles pentru o persoană.

Același lucru se întâmplă și cu paginile HTML ale site-ului. Dacă documentul a fost salvat, de exemplu, în codificare UTF-8, iar documentul în sine are o etichetă META care indică faptul că este codificare Windows-1251, atunci browserul va compara din nou datele salvate în fișier cu tabelul de codificare. specificat pentru acesta și, deoarece caracterele sunt codificate în mod diferit, browserul va afișa un set de caractere de neînțeles în loc de textul obișnuit, sau unele dintre litere pot fi în formă normală, în timp ce alte litere sau simboluri pot fi afișate, pt. de exemplu, sub formă de semne de întrebare. Toate cele de mai sus se aplică și pentru afișarea numelor de fișiere.

Când creați un document nou într-un editor de text, este mai bine să vă asigurați imediat că este selectată codificarea dorită. Editorii moderni vă permit să convertiți textul unui document deschis de la o codificare la alta, iar Notepad-ul standard vă permite să selectați o codificare numai atunci când salvați fișierul.

Cele mai comune codificări

Din paragraful anterior, știi deja ce este codificarea și de ce este atât de important să o înregistrezi corect în codul paginilor site-ului. Să aflăm acum care dintre multele codificări este mai bine să alegem pentru viitorul site. Deoarece sistemul de operare Windows a fost întotdeauna cel mai comun și cel mai ușor de înțeles de învățat, majoritatea dezvoltatorilor web au creat pagini HTML în codificarea Windows-1251 (ANSI), care a fost folosită implicit. Dar Windows-1251 nu acceptă un număr foarte mare de litere și simboluri, iar dezvoltatorii doresc să folosească diferite săgeți, inimi, pătrate și alte simboluri în textele lor, inclusiv necesitatea de a combina cuvinte din diferite limbi într-un singur document, deci a fost înlocuit de mult timp a venit un UTF-8 mai extins și majoritatea dezvoltatorilor folosesc această codificare specială.

Probleme de codificare nu numai în pagina HTML

Un site, fie că este vorba doar de un set de documente HTML statice sau de scripturi dinamice complexe care generează pagini din mers, este găzduit pe un server web care funcționează și cu o anumită codificare. Și dacă serverul emite informații într-o singură codificare, iar paginile sau scripturile dvs. sunt salvate într-o codificare diferită, atunci din nou pot apărea probleme cu afișarea paginilor în browserul utilizatorului. Multe găzduiri vă permit să schimbați setările și să selectați codificarea în conformitate cu cea folosită în fișierele site-ului prin intermediul panoului de control sau să o înregistrați în fișierul .htaccess dacă găzduirea folosește popularul server web Apache.

Aproape niciun site modern nu se poate descurca fără utilizarea bazei de date MySQL și, de asemenea, poate deveni o sursă de probleme de codificare. Dacă fișierele site-ului sunt salvate într-o codificare, iar informațiile din baza de date sunt într-o alta, atunci pe pagină acea parte a informațiilor care este scoasă din baza de date poate fi afișată sub forma tuturor acelorași semne de întrebare sau alte semne de neînțeles. personaje. Pentru a evita problemele de codare, trebuie sa fie la fel si pentru serverul web, baza de date MySQL, in scripturi, in paginile HTML ale site-ului si in tag-ul META care este scris in codul HTML. Dacă există probleme cu afișarea textului, atunci verificați prezența unei probleme în toate cele de mai sus.

META Charset al unui document HTML

Pentru a informa browserul și motoarele de căutare în ce codificare sunt salvate paginile site-ului, în codul lor este scris META Charset.

Pentru codificarea Windows-1251:

Pentru codificarea UTF-8:

Acum știți ce este codificarea site-ului și unde să căutați probleme dacă textul este afișat incorect în orice parte a site-ului.

Copierea articolului este interzisă.

Aproape fiecare nou venit în domeniul dezvoltării web, mai devreme sau mai târziu, întâmpină probleme de codificare în proiectele lor. Și apoi, conform scenariului scris, bombardarea forumurilor începe cu întrebări despre cum să-i învingi pe cei urâți " krakozyabry". Marea majoritate a problemelor sunt cunoscute de mult și sunt tratate destul de ușor, trebuie doar să știi" unde doare si ce pastila sa ia„. Prin urmare, îmi propun să analizăm cele mai populare erori din cauza cărora apare această problemă și este posibil ca recomandările mele să vă salveze de la noi ciocniri cu acestea.

În primul rând, recomand cu tărie asta toate documentele erau în aceeași codificare iar baza de date, și anume câmpurile cu date șir, avea aceeași codificare. Este setat la crearea bazei de date sau puteți specifica o comparație pentru fiecare câmp individual. Dacă creați o bază de date folosind phpMyAdmin, atunci nu ar trebui să existe dificultăți: fila „Băzuri de date” > în câmpul de sub „Creează o bază de date” introduceți numele viitoarei baze de date > lângă lista derulantă „Comparații”. Dacă creați o bază de date cu o interogare sql, atunci scrieți ceva de genul acesta:

CREAȚI BAZĂ DE DATE DACĂ NU EXISTĂ `my_db_name` SET DE CARACTERE utf8 COLLATE utf8_general_ci;

Alegerea codificării depinde de tine, dar te-aș sfătui să alegi pentru documente " UTF-8 fără BOM"și comparație pentru bază" utf8_general_ci" (Unicode multilingv, fără diferențiere între majuscule și minuscule). Doar nu uitați să jucați în siguranță și să faceți un dump înainte de a manipula baza de date! Nu voi descrie aici ce este BOM, dar dacă este foarte figurativ și pe degete, atunci acesta este un astfel de marker invizibil care a fost planificat pentru a distinge între codificările UTF-16LE și UTF-16BE, dar din anumite motive s-a dovedit a fi nerevendicat și acum interferează cu web-dezvoltatorii trăiesc în pace;) BOM arată ca un simbol U+FEFF și se stabilește la începutul documentului. De ce este încă UTF-8? Iată cel puțin câteva motive... Puteți afișa cu ușurință atât în ​​chirilic, cât și un citat din poeziile sau caracterele chinezești ale lui Al-Mutanabbi pe ecran. Acest lucru se datorează faptului că în aceeași codificare Windows-1251 (cp1251) există doar 256 de caractere, în timp ce în UTF-8 există aproximativ o sută de mii dintre ele, plus caractere speciale, pictograme, pictograme etc. Dacă intenționați să utilizați cereri ajax pe site-ul dvs., atunci acest lucru adaugă și un plus codării UTF-8, deoarece obiectul XMLHttpRequest este prieten cu această codificare și va trebui să pervertiți cu alții și uneori fără succes. Același sitemap (sitemap.xml) care este utilizat pentru indexare de către motoarele de căutare funcționează numai dacă acest fișier este creat cu codificare UTF-8. În plus, această codificare este standardul pentru ca multe funcții PHP să funcționeze și este standardul recomandat de W3C.

Când se creează un document nou, totul este clar, dar cum rămâne cu unul existent în care este de dorit să schimbi codificarea? Una dintre cele mai ușoare moduri este să deschideți un document în Notepad++, selectați „ Codificări"și în listă" Convertiți în UTF-8 fără BOM„. Apoi, schimbați metaeticheta cu definiția de codificare:

Și pentru fișierele php, puteți seta antetul corespunzător, dar numai dacă fișierul nu este inclus într-un alt document, unde un astfel de antet va fi deja trimis mai devreme. Acest lucru se aplică atât antetului din metaeticheta, cât și celui trimis de funcția de antet:

Antet ("Content-Type: text/html; charset=utf-8");

Verificăm rezultatul în browser. Pot exista mai multe opțiuni aici:

1. Totul este afișat bine și problema este închisă
2. Datele scrise static sunt afișate în mod normal, dar datele din baza de date sunt încă aceleași „nebunești”
3. Nimic nu s-a schimbat, iar codificarea rămâne strâmbă

Să începem cu ultimul punct. Proprietarii fericiți de servere dedicate sau VPS/VDS pot schimba codificarea directivei default_charsetîn fișierul de configurare php.ini. Pentru cei care nu au acces la php.ini sau au, dar trebuie să schimbe codificarea pentru un singur site, puteți utiliza fișierul .htaccess scriind următoarele în el:

# în principiu, linia de mai jos este suficientă: AddDefaultCharset UTF-8 # dar uneori pot fi necesare setări suplimentare: DefaultLanguage ru php_value default_charset "utf-8"

Fișierul .htaccess se află la rădăcina site-ului dvs. Dacă nu l-ați găsit acolo, atunci îl creăm noi înșine. Într-un bloc de note obișnuit, creați un document> " Salvează ca„> selectați tipul fișierului” Toate filele„> în câmpul „Nume fișier”, scrieți doar punctul și extensia „ .htaccess".

Să trecem la al doilea punct - dacă baza de date a fost transferată la codificarea dorită, dar datele din aceasta sunt afișate strâmb pe pagină. În primul rând, trebuie să vă asigurați că caracterele din baza de date în sine sunt afișate normal. Dacă codificarea nu a „plutește” acolo, atunci puteți fie să apelați din nou la fișierele de configurare, fie să faceți o solicitare imediat după conectarea la baza de date:

SETĂ NUMELE utf8;

* Scriu chiar eu textul cererii, dar de atunci Nu știu ce extensie folosiți pentru a lucra cu MySQL, vă voi arăta mai multe opțiuni:

// pentru mysql_* $db = mysql_connect("localhost", "nume utilizator", "parolă"); mysql_select_db("nume_db", $db); mysql_query("SET NAMES utf8"); // pentru versiunile PDO și php sub 5.3.6 $dbh = new PDO ("mysql:host=localhost;dbname=db_name", "username", "parola"); $dbh->exec("SET NAMES utf8"); // pentru versiunile PDO și php 5.3.6 și mai noi, poate fi specificat direct la crearea unui obiect $dbh = new PDO ("mysql:host=localhost;dbname=db_name;charset=utf8", "username", "parolă" ); // sau $db = PDO nou ("mysql:host=localhost;dbname=db_name", "username", "parola", array(PDO::MYSQL_ATTR_INIT_COMMAND => "SET NAMES utf8")); // pentru MySQLi $mysqli = new mysqli("localhost", "username", "parola", "db_name"); $mysqli->set_charset("utf8");

Deoarece am ridicat problema „mysql_* învechit”, vreau să vă atrag atenția asupra textului evidențiat cu roșu în documentația php. Merita gandit...
Dacă ați avut una dintre problemele standard, atunci urmând unii sau toți pașii de mai sus, problema cu codificarea va fi rezolvată pozitiv. Dar aș dori să menționez și câteva funcții care pot fi utile în situații non-standard. Puteți citi mai multe despre ele în documentație și voi da doar câteva exemple fără a intra în detalii:

Mb_internal_encoding() Cu această funcție, putem seta sau obține codificarea curentă a scriptului: mb_internal_encoding("UTF-8"); // setează echo mb_internal_encoding(); // nici un argument - obține mb_http_input() și mb_http_output() Două funcții care determină, setează sau obțin cererea HTTP sau codificarea caracterelor de ieșire: print_r(mb_http_input("I")); // determina codificarea datelor de intrare a cererii http mb_http_output("UTF-8"); // setează codificarea pentru ieşirea http echo mb_http_output(); // obține codificarea curentă a caracterelor din http-output iconv() Funcția convertește caracterele șirului în codificarea dorită: echo iconv("utf-8","cp1251","PџСЂРёРІРµС‚, РјРёСЂ!"); // Salut Lume! mb_convert_encoding() Funcția este similară cu iconv(), dar în opinia mea este mai bună, deoarece funcționează mai adecvat. echo mb_convert_encoding("Привет, РјРёСЂ!","cp1251","utf-8"); // Salut Lume!

Și, în general, nu uitați de analogii funcțiilor pentru lucrul cu șiruri multiocteți. Cel mai adesea, au același nume, dar cu prefix mb_. Este destul de ușor să simți diferența. Luați, de exemplu, funcțiile strlen()Și mb_strlen()și efectuați un experiment măsurând lungimea șirului:

// setează codificarea internă mb_internal_encoding("utf-8"); // nicio diferență pentru caracterele latine echo strlen("incode"); // 6 echo mb_strlen("incode"); // 6 // Dar cu chirilic dă afară - pichalka echo strlen("incode"); // 10 echo mb_strlen("incode"); // 5

Poate că cineva nu are nevoie să explice acest fenomen, dar pentru începători voi explica: chirilica este codificată în doi octeți și strlen() numără exact numărul de octeți dintr-un șir, nu numărul de litere. Deci, se dovedește că cinci caractere chirilice înmulțite cu două - obținem 10. Caracterele chinezești, dacă nu mă înșel, sunt în general codificate în trei octeți, așa că în viitor pentru astfel de cazuri, pentru a nu exista neînțelegeri, folosiți funcții adecvate.

Repet că aceste soluții sunt pentru cazuri comune și, în marea majoritate, rezolvă problema. Dar dacă aveți o situație în care toate aceste metode nu au funcționat, atunci scrieți aici, să încercăm să ne dăm seama împreună și să completam articolul cu o nouă „rețetă pentru o durere de cap”;) Lasă-mă să-mi iau concediu.

În acest articol, voi încerca să punct „și” (precum și „i”) în alegerea codificării pentru pagina HTML generată.

Când am început să construiesc site-uri web, am avut în mod constant probleme din cauza acestor codificări. Salvați pagina HTML, o încărcați pe server, o deschideți, bang și există erori. Bună, iată-ne.

Sau în mediul de depanare (de exemplu, mediul de dezvoltare locală „”), totul este în regulă, dar din nou de găzduire ei, naibii de krakozyabry, mă privesc cu nebunie.

Cât chin a fost cu motoarele. Dintr-o dată, nu este clar de ce, literele native rusești se transformă în...

Acum ne vom ocupa de această problemă în detaliu și veți ști clar în ce codificare să salvezi pagina htmlȘi prin care unelte.

Pentru a ne consolida înțelegerea reciprocă, să definim conceptul codificare. Deci aici este codificare este un tabel de corespondență între codurile mașinii și caracterele alfabetice. Există o secvență de caractere de mașină pe care un computer inteligent, în conformitate cu tabelul de coduri selectat, le înlocuiește cu litere pe care le înțelegem.

În anii 90 ai secolului trecut (ce vechime, dar încă îmi amintesc de calendarul din 1991 pe perete) erau 4 codificări pentru PC și încă una, proprie, pentru Mac. Ironia sorții constă în faptul că, în toate aceste codificări, caracterele latine erau asortate la coduri mașină după același algoritm, dar în ceea ce privește alfabetul chirilic, fiecare dintre codificări avea propria părere.

Toată această confuzie a dus la apariția krakozyabry. De exemplu, dacă cuvântul „ Întrebare”, tastat în codificare Windows-1251, afișare cu codificare KOI8-R, cuvântul „ bNO».

Slavă Domnului, anii 1990 sunt deja cu mult în urmă, iar din cinci coduri de înșelăciune, doar 2 sunt normale. Dar acest lucru este suficient pentru ca un webmaster începător să se piardă în doi pini. Nu-ți face griji, acum te scot din pădure!

Momentan alegerea pentru Codificarea documentelor HTML se află între windows-1251 și utf-8. Și acum atenție: utf-8 este mult mai bogat, mai puternic și viitorul este cu el. Deci vom salva fișierele HTML în utf-8.

Justifică-mi cuvintele;). UTF-8 conține caractere precum → ← ↓. Și în windws-1251, în loc de aceste caractere, iată ce: > . Și în utf-8 există semnul „euro”; utf-8 vă permite, de asemenea, să combinați o mulțime de diferite caractere specifice utilizate în limbi precum georgiana, ebraică, chineză, japoneză într-un singur fișier HTML; Si deasemenea utf-8în codificări HTML- aceasta este o bună practică.