Loading article…
ハイパーテキストマークアップ言語（HTML）は1991年から使用されていますが、1997年12月にリリースされたHTML 4.0は、国際文字をほぼ完全に扱う最初の標準化バージョンでした。HTML文書に7ビットASCIIの範囲外の特殊文字が含まれる場合、情報の整合性と、あらゆるブラウザでの表示という2つの目標を考慮する必要があります。
現在廃止されているW3C仕様のバージョン5.3と、WHATWGが発行している現在のLiving Standardでは、有効なエンコーディングはUTF-8のみです。[ 1 ] [ 2 ]
文書内で使用される文字コードを指定するには、大きく分けて2つの方法があります。
まず、Webサーバーはハイパーテキスト転送プロトコル（HTTP）ヘッダーcharsetに文字エンコーディングまたは「 」を含めることができ、通常は次のようになります。[ 3 ]Content-Type
Content-Type: text/html; charset=utf-8この方法により、HTTP サーバーはコンテンツ ネゴシエーションに応じてドキュメントのエンコーディングを変更する便利な方法を得ることができます。特定の HTTP サーバー ソフトウェアではこれが可能です。たとえば、Apache のモジュールmod_charset_liteなどです。[ 4 ]
第二に、宣言文は文書自体の中に含めることができる。
headHTMLでは、この情報をドキュメントの上部付近の要素内に含めることができます。 [ 2 ]
< meta http-equiv = "Content-Type" content = "text/html; charset=utf-8" >HTML5では、以下の構文もまったく同じ意味になります。[ 2 ]
< meta charset = "utf-8" >XHTML文書には、文字エンコーディングをXML宣言で表現するという 3 番目のオプションがあります。以下のように記述します。[ 5 ]
<?xml version="1.0" encoding="utf-8"?>この2番目のアプローチでは、宣言が解析されるまで文字エンコーディングがわからないため、宣言自体を含むドキュメントで使用されている文字エンコーディングがどれであるかを判断するのが困難です。文字エンコーディングがASCII拡張である場合、宣言自体を含むコンテンツは純粋なASCIIである必要があり、正しく動作します。UTF -16BEやUTF-16LEなど、ASCII拡張ではない（つまりASCIIのスーパーセットではない）文字エンコーディングの場合、WebブラウザなどのHTMLプロセッサは、ヒューリスティックを使用して宣言を解析できる場合があります。
現在のリビングスタンダードに準拠したHTMLはUTF-8である必要がありますが、上記いずれかの形式のエンコーディング宣言は必須です。文字列「utf-8」と大文字小文字を区別せずに一致させる必要があり、ドキュメントは実際にUTF-8である必要があります。[ 2 ] [ 1 ]
仕様書では、「エンコーディングスニッフィングアルゴリズム」が定義されており、以下の複数の入力ソースに基づいて文書の文字エンコーディングを判定します。
印刷可能なASCII範囲（32～126）外の文字は、文書が誤った文字エンコーディングで配信された場合、正しく表示されないことがあります。これは英語圏のユーザーにとってはほとんど問題になりませんが、他の言語では、この範囲外の文字が頻繁に、場合によっては常に必要となります。中国語、日本語、韓国語（CJK ）など、複数の異なるマルチバイトエンコーディングが使用されている言語環境では、自動検出がよく用いられます。また、ブラウザでは通常、ユーザーが誤った文字セットラベルを手動で上書きすることも可能です。
UTF-8は2008年以来、Web上で最も一般的な文字エンコーディングとなっています。その理由の一つは、 Unicodeのエンコーディングであるため、すべての言語で同じエンコーディングを使用できるからです。2026年1月現在 , UTF-8 is used by 98.9% of web sites surveyed by W3Techs.[7]UTF-16 or UTF-32, other encodings of Unicode, are less widely used because they can be harder to handle in programming languages that assume a byte-oriented ASCII superset encoding, and they are less efficient for text with a high frequency of ASCII characters, which is usually the case for HTML documents.
Successful viewing of a page is not necessarily an indication that its encoding is specified correctly. If the page's creator and reader are both assuming some platform-specific character encoding, and the server does not send any identifying information, then the reader will nonetheless see the page as the creator intended, but other readers on different platforms or with different native languages will not see the page as intended.
Version 5.3 of the retired W3C standard and the current (as of 2026) WHATWG Living Standard both require UTF-8. No other encoding is considered valid.[1][2] Nonetheless, implementations must use the encoding sniffing algorithm to determine which encoding to apply to the document, in accordance with the robustness principle.
The WHATWG Encoding Standard, referenced by both standards, specifies a list of encodings which browsers must support. The HTML standards forbid support of other encodings.[8][9][10] The Encoding Standard further stipulates that new formats, new protocols (even when existing formats are used) and authors of new documents are required to use UTF-8 exclusively.[11]
Besides UTF-8, the following encodings are explicitly listed in the HTML standard itself, with reference to the Encoding Standard:[10]
TIS-620ISO-8859-11ASCIIISO-8859-1ISO-8859-9関連ラベルについても指定されています。 [ 11 ]UTF-16 label,[23] although a byte order mark (BOM), if present, takes priority over any label.[24] Specified for decoding only; form submissions from UTF-16-coded documents are to be encoded in UTF-8.[22]The following additional encodings are listed in the Encoding Standard, and support for them is therefore also required:[11]
KOI8-U and KOI8-RU labels;[11] follows KOI8-RU in positions 0xAE and 0xBE (i.e. includes Ў/ў)[27][28] but KOI8-U in positions 0x93–9F.[27]GB2312 and related labels. Handled the same as GB 18030 for decoding purposes.[29] For encoding purposes, labelling as GBK (or GB 2312) excludes four-byte codes, and favours the one-byte 0x80 representation for U+20AC.[12]The following encodings are listed as explicit examples of forbidden encodings:[10]
この規格では、「置換」デコーダも定義されており、特定のエンコーディングとしてラベル付けされたすべてのコンテンツを置換文字（�）にマッピングし、処理を一切拒否します。これは、クライアントとサーバー間でサポートされているエンコーディングの違いを利用して悪意のあるコンテンツを隠蔽する可能性のある攻撃（クロスサイトスクリプティングなど）を防ぐことを目的としています。 [ 31 ] ASCII バイトのシーケンスを異なる方法で解釈できるISO-2022-JPとUTF-16にも同じセキュリティ上の懸念がありますが、これらは展開されたコンテンツで比較的頻繁に使用されるため、このアプローチは実現可能とは見なされませんでした。[ 32 ]次のエンコーディングはこの処理を受けます。[ 33 ]
ネイティブ文字エンコーディングに加えて、文字は文字参照としてエンコードすることもできます。文字参照は、数値文字参照（10進数または16進数）または文字実体参照のいずれかです。文字実体参照は、名前付きエンティティ、またはHTMLの場合はHTMLエンティティと呼ばれることもあります。HTMLにおける文字参照の使用はSGMLに由来します。
HTML の数値文字参照は、 Universal Character Set / Unicodeコードポイントで文字を参照し、次の形式を使用します。
&#nnnn;または
&#xhhhh;ここで、nnnnは10 進数形式のコードポイント、hhhhは16 進数形式のコードポイントです。XML文書では、x は小文字でなければなりません。nnnnまたはhhhh は任意の桁数で、先頭にゼロを含めることができます。hhhh は大文字と小文字を混在させることができますが、通常は大文字を使用します。
HTML文書の受信者が使用するすべてのWebブラウザや電子メールクライアント、あるいはHTML文書の作成者が使用するテキストエディタが、すべてのHTML文字を正しく表示できるとは限りません。最新のソフトウェアのほとんどは、ユーザーの言語の文字のほとんど、あるいはすべてを表示でき、表示できない文字については枠線などの分かりやすい表示で示します。
0から127までのコード（元の7ビットASCII標準セット）では、これらの文字のほとんどは文字参照なしで使用できます。160から255までのコードはすべて文字実体名を使用して作成できます。数値が大きいコードのうち、実体名を使用して作成できるのはごく一部ですが、すべて10進数文字参照で作成できます。
文字実体参照は、名前が大文字小文字を区別する英数字文字列である形式を持つこともできます。たとえば、「λ」はHTML 文書では のようにエンコードすることもできます。文字実体参照、、およびは、、 、 および がマークアップの区切りにすでに使用されているため、 HTML および SGML で定義されています。これは特に、 HTML5より前の XML の (') エンティティを含みませんでした。名前付きのすべての HTML 文字実体参照と、それらが導入されたバージョンのリストについては、「XML および HTML 文字実体参照のリスト」を参照してください。&name;λ<>"&<>"&'
HTML の文字参照を不必要に使用すると、HTML の可読性が著しく低下する可能性があります。Web ページの文字エンコーディングが適切に選択されていれば、HTML の文字参照は通常、前述のマークアップ区切り文字といくつかの特殊文字にのみ必要となります ( UTF-8のようなネイティブUnicodeエンコーディングが使用されている場合はまったく必要ありません)。HTML エンティティのエスケープが不適切だと、クロスサイトスクリプティングなどのインジェクション攻撃に対するセキュリティ脆弱性が生じる可能性もあります。HTML 属性を引用符で囲まない場合、スペースやタブなどの特定の文字、特に空白文字は、エンティティを使用してエスケープする必要があります。HTML に関連する他の言語には、文字をエスケープするための独自の方法があります。
文字実体参照の範囲が広い従来の HTML とは異なり、XMLには定義済みの文字実体参照が 5 つしかありません。これらは、特定のコンテキストでマークアップに敏感な文字をエスケープするために使用されます。[ 34 ]
その他の文字実体参照はすべて、使用する前に定義する必要があります。たとえば、éXML 文書で (é、ラテン文字の小文字の E、アキュートアクセント付き、Unicode では U+00E9) を使用すると、実体が既に定義されていない限りエラーが発生します。また、XML では、x16 進数値参照の は小文字である必要があります。たとえば、ਛではなく ですਛ。XMLアプリケーションであるXHTMLは、XML の事前定義された実体とともに HTML 実体セットをサポートしています。