IE中打开UTF-8编码的网页会显示空白页的问题

来源：互联网发布：华南理工网络继续教育编辑：程序博客网时间：2024/04/30 08:58

这个问题要从浏览器解析html的方式讲起。浏览器读取了页面的html代码后开始进行解析。解析前浏览器要先知道页面的编码方式，然后根据编码方式进行解码，然后才能开始解析。我大概想了一下，浏览器可以从下面3个方面得到页面编码方式：HTTP Header中的"Content-Type"项、返回的html代码开头是否有BOM、html代码中的meta标签。

做了一个小测试，使用Windows 2000 SP4操作系统，IE6 SP1和Firefox 1.5.0.5浏览器。所有文件使用DOS格式换行符。测试代码如下：

<?phpheader("Content-Type: text/html; charset=utf-8");?><html><head><meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /><title>你好啊</title></head><body>你好啊。</body>

先不要前面的PHP语句，直接使用html文件，分无meta、meta在title前、meta在title后3种方式，分别做成GBK、UTF-8(no BOM)、UTF-8(BOM)三种编码方式的文件，再分别用IE和Firefox测试。我的Blog所在的服务器上，访问html文件时HTTP Header里Content-Type是Content-Type: text/html。第二遍测试加上PHP语句，用Header函数给HTTP Header中加上Content-Type: text/html; charset=utf-8，再把第一遍做的重新做一遍。

IE6 SP1 Firefox 1.5.0.5 字节地址无meta GBK 正常正常 73 t11.html UTF-8(no BOM) 空白页使用GBK解码形成乱码 80 t12.html UTF-8(BOM) 正常正常 83 t13.html meta在前 GBK 使用UTF-8解码形成乱码使用UTF-8解码形成乱码 144 t21.html UTF-8(no BOM) 正常正常 151 t22.html UTF-8(BOM) 正常正常 154 t23.html meta在后 GBK 使用UTF-8解码形成乱码使用UTF-8解码形成乱码 144 t31.html UTF-8(no BOM) 空白页正常 151 t32.html UTF-8(BOM) 正常正常 154 t33.html ---加了Header语句后--- 无meta GBK 使用UTF-8解码形成乱码使用UTF-8解码形成乱码 133 t11.php UTF-8(no BOM) 正常正常 140 t12.php UTF-8(BOM) 正常正常 143 t13.php meta在前 GBK 使用UTF-8解码形成乱码使用UTF-8解码形成乱码 204 t21.php UTF-8(no BOM) 正常正常 211 t22.php UTF-8(BOM) 正常正常 214 t23.php meta在后 GBK 使用UTF-8解码形成乱码使用UTF-8解码形成乱码 204 t31.php UTF-8(no BOM) 正常正常 211 t32.php UTF-8(BOM) 正常正常 214 t33.php

文件中有6个汉字和一个汉字句号，所以UTF-8(no BOM)格式比GBK格式多出7个字节。UTF-8的BOM占用3个字节，所以UTF-8(BOM)比UTF-8(no BOM)多出3个字节。经验证，所有数据都符合这个规则，所以各文件格式没有错误。

PHP不支持BOM，又因为BOM的3个字符在最前面，显示不包含在<?php...?>标签里，所以PHP引擎会3个字符输出，于是输出的html文件也有了BOM。所以这次测试中，为了修改http header而加入的PHP语句不影响最终输出的html文件的BOM。

从测试结果可以看出，浏览器(无论是IE还是Firefox)在解析页面时，首先取HTTP Header中的Content-Type项，如果有写明charset的话就认定页面的编码方式为charset指定的值。如果没有指明，则认定为默认值。根据上表，IE中文版的默认值是GB2312，Firefox中文版的默认值是GBK，不过IE的GB2312好像和GBK没啥区别。然后，浏览器会看一下有没有BOM。一旦发现有UTF-8的3字节BOM，则重新认定页面的编码方式为UTF-8。

然后是解码阶段，解码完成后是解析html的阶段。解析html的过程中，当解析到head部分的meta标签时，浏览器会根据<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />这个语句中的说明，重新认定编码方式为charset后面的方式，中断html解析过程，返回到解码步骤重新解码。

知道了这个步骤，再来看这个表：在加了Header语句设置了HTTP Header后，两个浏览器解析所有页面都是用的UTF-8方式，包括GBK编码的页面。(当然要正常解析GBK编码的文件，可以在title前加上个meta标签标明编码方式。)在上表的下半部分可以清楚的看到这一点。再来看上半部分，在没有加Header语句的页面里，首先浏览器认定页面编码方式为默认值GBK。检测有无UTF-8的3字节BOM，检测到的，认定页面编码方式为UTF-8，解码再解析html，一切正常。如上表所示，上半部分带BOM的页面都能正常显示。如果没有BOM，页面可能是GBK或者UTF-8(no BOM)格式，浏览器会先按照默认的GBK方式开始解码。页面为GBK格式时，无meta时正常，有meta时浏览器解析到meta标签会回头重现按UTF-8方式解码，所以GBK,meta在前或后，无论IE还是FF都是乱码。再看UTF-8(no BOM)的页面，无meta时FF用GBK方式解码下去，最终显示乱码，IE则解码出错，形成空白页。有meta时，Firefox找到meta后回头重新按UTF-8方式解码，所以无论meta在前或在后都是正常；IE则是在meta在前时能够和Firefox一样回头重新解码，当meta在后时，又是解析到title出错，返回空白页。

所以，IE显示空白页的问题，很明显是因为IE的解码程序兼容性差。上网查了下，GBK的编码范围是0×8140-0xfefe。从GB2312-80开始，因为ASCII码的范围是0~127，首字位是0，所以GB2312-80使用双字节，并设置首字位为1。“GBK 亦采用双字节表示，总体编码范围为 8140-FEFE，首字节在 81-FE 之间，尾字节在 40-FE 之间。”[via]UTF-8中中文都是3个字节的，由于Unicode中中日韩的文字都混在一起，可以使用Windows自带的字符映射表查看CJK表意字符的范围，即为汉字的范围。(可以参考我的这篇文章里的图片)3字节的UTF-8编码是这样子的：1110xxxx 10xxxxxx 10xxxxxx，编码范围是8000-EFFF，首字节在80-EF之间，尾字节在00-FF之间。[via]显然当一段UTF-8编码的文本被按照GBK方式解码的时候，由于有一些编码在GBK中不存在，造成解码程序出现错误。当UTF-8文本被按照GBK的方式解码的时候，前两个字节会被认为是一个字，后一个字节将和下一个字符结合。当<title>标签里的汉字数是偶数个时，勉强有3/4的概率通过解码程序(因为GBK的第二个字节要求是40-FE)，当有奇数个汉字的时候，最后一个汉字的三个字节的最后一个字节会和</title>的第一个字符<结合，而<的编码是3C，正好不在尾字节40-FE的范围中，造成错误。如果</title>标签前有多余的空格也会产生错误，因为空格的编码20也不在范围中。

再做一个测试，修改t12.html中title的部分，修改成两个汉字，再用IE打开发现不再是空白页，而是用GBK编码导致的乱码页面了。地址：s.html

所以，空白页的出现是不固定的。《UTF-8字符集网页在IE上会显示空白问题的解决方案》所说的“IE 解析网页编码时是 HTML 內的标识优先的，然后是 HTTP header ；而mozilla 系列的浏览器刚刚好相反。”是不对的。在网上搜索“meta的作用”，很容易就可以找到一堆meta标签的说明。比如《HTML中meta的作用》里提到：“meta是用来在HTML文档中模拟HTTP协议的响应头报文。”在meta标签中写和在HTTP头里写是一样的，这也是为了解决用普通HTML写网页的人无法自行定义HTTP头的问题。但是，meta是一个html标签，所以必须进入到html解析的步骤才能生效，而生效后，浏览器会退回几步，重新设置好HTTP头从头再开始解码、解析html。所以meta中写的内容会覆盖HTTP头里的内容，无论哪个浏览器都是这样的。如果象他所说的，mozilla系列浏览器是HTTP Header优先于HTML内的标识，那meta标签不就等于没有用了吗？这不符合html标准。

而《一个 utf-8 网页在 IE6 下的BUG》中所说的出现空白页必须的3项条件(1.title标签里的内容为中文其他双字节字符；2.指定网页编码的 meta 信息在 title 标签的下方；3.另存或转换utf-8编码时没有包括 unicode 签名 (BOM))基本上正确，不过不够全面，具体的原因我上面已经详细分析过了。还有BOM不能算签名吧，唉，就叫他BOM好了，Byte Order Mark，字节序标识，用于UTF-16编码的文件，在UTF-8编码的文件中不需要标识字节序，所以被用来标识这是一个UTF-8编码文件。

这个问题还是IE的兼容性问题，在解码的时候如果遇到错误的编码就中断解码。毕竟html代码是从网络上传输过来的，很可能传错几个字节，所以解码程序不必弄的这么严格吧。乱码页面起码让浏览者知道网页已经打开，有点经验的会知道切换网页编码，如果是空白页很可能被浏览者认为是网页本身就是空白的，从而放弃浏览。IE在html解析和CSS解析上容错性很好的呀，怎么解码这块会做的这么严格呢。某些天天喊叫IE兼容性好，IE能正常浏览的网页多的人，你看这个，这个，嘿嘿。

测试了一下，blogspot,sitesled,Blogger Spaces上的页面都是返回的Content-Type: text/html，所以他们都会出现空白页的问题。好像Apache默认情况下不会乱声明编码方式的，无论是国外的主机还是国内的主机。我的Blog的页面的HTTP Header都包含Content-Type: text/html; charset=UTF-8，后台的页面也都有，一般不会有问题。比较奇怪的是，我查了WordPress和K2所有的文件，也没发现哪儿用Header命令设置过这个HTTP头。一些输出RSS和atom或者是发送trackback的文件都很仔细的用Header命令设置这个HTTP头，不过不存在一个地方用了Header命令从而一劳永逸地使所有输出的页面都包含这个头的。难道Apache在处理PHP文件的时候会自动检测文件的编码方式并设置HTTP头吗？WordPress自带的WordPress Default和WordPress Classic模版都把单独放在title标签的前面，可能WordPress开发组注意到了这个问题，K2模版则没有注意这个问题。blogger.com的模版也没有注意这个问题，难道老外都习惯了meta一起放在title下面？

另外，这个是IE的bug，不过也不要认为你用的是MyIE、MyIE2、遨游Maxthon、GreenBrowser、腾讯TT就不会受到影响，他们都是以IE为核心的，IE的bug他们一个个都跑不掉。尽早投降吧，投到Firefox或者Opera的怀抱里来吧。