NCR(Numeric Character Reference)简单介绍

1 从字符编码谈起

读写文字是人与动物的最大区别，不同的种族发明了不同的语言文字，对这些文字进行二进制表示是计算机领域必须要解决的问题。文本处理在计算机程序中占有相当大的比例，尤其是在web程序中，几乎大部分程序逻辑都是为了最终输出处理过的文本。目前世界上存在有很多种字符编码标准，各个标准并不完全兼容，甚至完全不同，从而导致了“乱码”这个让很多程序员都胆战心惊的东西。

尽管目前统一的编码规范UNICODE大行其道，被越来越广泛地使用，然而尚未达到完全统治字符编码界的水平。

2 元字符与不可编码字符

2.1 元字符

在标记语言中，都会定义一些被称为“元字符”的特殊字符，这些字符具有特殊的作用，不再具有原来字面上的意义。我们以HTML为例，小于号（<）就是一个最常用的元字符，它表示一个标签的开始，而不再具有“小于号”这个字面意义。

那么想要这些元字符的字面含义该怎么办呢？
解决方法就是：用元字符引导字符序列来表示元字符的字面含义。例如在HTML中元字符<的字面值就是用如下序列表示。

<

2.2 不可编码字符

很多的字符编码标准并不能涵盖所有的字符，例如ASCII编码只包含128个字符，根本不能表示英文之外的其他任何语言文字。这样就会导致一个问题：想要在ASCII编码的文件中记录汉字怎么办？

解决方法就是：用元字符引导的可编码字符序列来表示不可编码字符。解码程序能够识别这个格式的字符序列，然后把它转换成原本的不可编码字符。例如，汉字“中”在ASCII编码的HTML文件中可以使用如下序列表示。

中

这个序列只含有可以用ASCII编码的字符。浏览器在遇到这个序列时，自动转换为汉字“中”并正确显示出来，当然前提是浏览器自身具有显示汉字的能力。

3 两种解决方式

前面提到的元字符引导的可编码字符序列到底是如何规定的呢？目前有两种方案

3.1 一种是HTML中广为使用的被称作实体的规范

例如上面提到的

<

这种规范中定义了很多特定的字符序列，然而总归是非常有限的，主要是为了表示元字符的字面值。对于广大的汉字仍不能表示。

3.1 另一种是被称作NCR的规范

在NCR中，使用字符的UNICODE代码点数值的十进制或十六进制表示字符串来代表这个字符。例如上面例子中

中

其中的20013就是汉字“中”在UNICODE编码中的代码点。当然也可以使用16进制来表示，如下

中

这种规范看似简单，却非常强大，因为它可以表示任意的字符，只用UNICODE编码中定义了这个字符，它就可以轻松表示。存在的问题是，很少有人能记住一个字符的UNICODE代码点，需要去查表才行。

尽然NCR能表示任何字符，当然也能够表示元字符的字面值了，例如前面的

<

也可以使用

<

来表示。

4 好玩的UNICODE字符

UNICODE编码涵盖了世界上已知的所有字符，除了各种语言的文字外，还包含了很多符号，标记。下面给出几个小例子。

• &#x2605; 对应 ★
• &#x2694; 对应 ⚔
• &#x2695; 对应 ⚕
• &#x2713; 对应 ✓

另外，UNICODE中还定义了一些组合字符，它们本身不能单独存在，必须作用于前面的基本字符上，例如常见的重音符号。

• A&#x030E; 对应 A̎

广大的90后小朋友网络上广泛使用的火星文就是把各种UNICODE字符按照特定的规则组合起来的。

如下序列：

づ火☆攵ā

显示效果：

づ火☆攵ā