Java 字元編碼入門（三）：GB2312、GBK 與中文網頁編碼真相

GB2312/GBK 本質解析與中文網頁編碼常見誤區

GB2312 與 GBK 既是字元集也是編碼方案，中文 Windows 系統預設編碼為 GBK。本文揭示網頁 charset=GB2312 實際行為、瀏覽器 GBK 相容機制、程式化抓取的編碼判斷難題。

GB2312 與 GBK 本質釐清

驗證系統預設編碼

String encoding = System.getProperty("file.encoding");
System.out.println(encoding);  // 輸出: GBK (中文 Windows)

中文網頁兩大關鍵誤區

誤區一：charset 指定的是字元集而非編碼

<meta charset="GB2312">  // 錯誤認知：以為指定字元集
<meta charset="UTF-8">   // 實際上 charset 屬性指定「字元集編碼」
<meta charset="ISO-8859-1">
// 從未見過 charset="Unicode"，因 Unicode 是字元集非編碼

XML 已修正為 encoding 屬性，避免術語混淆。

誤區二：網頁宣稱 GB2312 實際使用 GBK

實驗驗證：

1. 找一個 GB2312 無收字：「亸」 (U+4EA8，GBK 有收)
2. 放入 HTML 頁面，宣告 charset=GB2312
3. 瀏覽器選擇「GB2312」編碼 → 完全正常顯示

結論：瀏覽器「GB2312」選項實際使用 GBK 解碼器。

新浪等大型網站實況

• 頁面到處宣稱 charset=GB2312
• 實際大量使用 GB2312 無收字字元
• 瀏覽器顯示無礙，但**程式化抓取/儲存時無法依賴宣告編碼**

對開發者的影響

結語

理解「charset 實為編碼」、「GB2312 實為 GBK」雙重真相，建立編碼偵測與統一 UTF-8 處理機制，是中文環境開發者必修課。