HTML lang没想象中的那么简单

刘看山 写于 2020年11月15日

前言

今天心血来潮，想试试看自己的博客页面是否符合W3C标准。结果这一检测，上来就提示我说——<html lang="zh-CN">不符合标准。 What???? 大家给 <html> 设置 lang 属性的时候，不都是写<html lang="zh-CN">，或者干脆直接简写成 <html lang="zh"> 吗？这咋还不符合标准规范了？但仔细想一想，好像是有些问题。

首先，zh 是什么鬼？拼音？明明是国际标准怎么会用中文拼音？其次，CN 为什么要大写？第三，zh-CN表示中国中文，zh-SG表示新加坡中文，但这两个国家都使用简体中文，貌似没什么区别呀？第四，如果页面上显示的是用中文是一个粤语用词，如佢系一个须刨嚟嘅（它是一个刮胡刀），那屏幕阅读器是用普通话朗读还是用粤语朗读呢？

带着这些问题，以及如何才能符合W3C标准规范，我决定开始了解下语言标记是如何定义的。

过程

先从lang属性的定义开始。参考MDN上关于 lang 上的解释可知，它是由 IETF 的 BCP47 规范来定义的。根据 BCP47 规范的描述，它是 RFC5646 与 RFC4647 这两个规范的最佳实践合集，用于取代 RFC4646、RFC3066、RFC1766 这三个旧的语言标签规范。最新的规范定义了语言标签的描述规则如下：

language  -  extlang       -  script  -  region  -  variant  -  extension  -  privateuse
主语言     -  扩展语言(方言)  -  书写文字  -  区域    -  变体      -  扩展       -  私有

由子标签按顺序通过连字号(-)连接起来组成一个完整的语言标签，各子标签的格式遵循以下标准：

看完上面的解释介绍，估计大家的内心基本都是这样的→ 😒😖🥴😵。这才刚开始讲，就遇到了一堆的专有名称，一堆的国际规范，用一个字形容我此刻的心情——懵！

对新规范的解读先暂停一下，我们还是先回过头从zh-CN的历史开始讲起吧。

历史

1995年3月 IETF（互联网工程任务组）发布了最早的 RFC1766 语言标签规范。这套规范使用 ISO639-1 的2字母语言代码，ISO3166-1_alpha-2 的2字母国家地区代码并约定大写。ISO639-1 规范中汉语使用zh表示，来自“中文”的汉语拼音：Zhōngwén。ISO3166-1_alpha-2 规范中中国的代码是CN，这大概就是zh-CN的由来，也是目前使用最普遍的一种中文语言标签。

2001年1月发布的 RFC3066 语言标签规范，使用 ISO639-2 的3字母语言代码，汉语用zho表示，同样来自“中文”的汉语拼音 Zhōngwén的前3个字母。

2006年9月发布 RFC4646（规范的主体）与 RFC4647（处理匹配行为）语言标签规范。 RFC4646 增加了使用 ISO15924 的4字母书写文字子标签，简体中文是Hans，繁体中文是Hant，以及 UNM.49 的3数字地理分区码。

2009年9月发布 RFC5646，引入了3字符码的 ISO639-3 与 ISO639-5 作为语言子标签。其中，ISO639-3 认定汉语文（zho）是一个大语文（macrolanguage），包含14种语文：cdo – 闽东语，cjy – 晋语，cmn – 普通话或國語，cpx – 莆仙语，czh – 徽语，czo – 闽中语，gan – 赣语，hak – 客家话，hsn – 湘语，mnp – 闽北语，nan – 闽南语，wuu – 吴语，yue – 粤语，lzh - 文言文。

2009年9月发布的 BCP47 整合了 RFC4647 和 RFC5646 形成语言标签最佳实践，仍然使用zh作为大语文（macrolanguage）的标签，辅以 ISO639-3 中引入的另外14种语文标签作为方言扩展标签，但推荐方言扩展标签直接作为主语言标签。因此，赣语的标签以zh-gan或 gan开头、粤语以zh-yue或yue开头、普通话以zh-cmn或cmn开头，BCP47 规范建议优先选择后者。但关于这点目前在业界是有争议的，普遍的观点是希望保留zh作为主语言标签，这样能更好的向前兼容。

IANA 语言子标签注册表

了解了语言标签规范的发展历史，我们再回到 BCP47 规范，语言标签描述规则中的以下子标签：

language - extlang - script - region - variant - extension - privateuse

在这些子标签中 推荐 使用 IANA语言子标签注册表 中的子标签格式，这些格式通常是来源于各种 ISO 标准中的通用约定。

示例1：region的取值 CN（中国）

%%
Type: region
Subtag: CN
Description: China
Added: 2005-10-16
%%

示例2：script 的取值 Hans（简体中文）

%%
Type: script
Subtag: Hans
Description: Han (Simplified variant)
Added: 2005-10-16
%%

中文子标签一览

IANA语言子标签注册表 中，以下extlang 中的方言同时也被归类到了language中，BCP47 规范是建议将下面的extlang 直接作为主语言使用。我再测验W3C的web标准时，发现W3C仍然建议是主语言使用zh，而extlang作为扩展方言使用。

language

  • zh 中国字或中国话

extlang

  • cdo 闽东语
  • cjy 晋语
  • cmn 普通话或國語
  • cpx 莆仙语
  • czh 徽语
  • czo 闽中语
  • gan 赣语
  • hak 客家话
  • hsn 湘语
  • mnp 闽北语
  • nan 闽南语
  • wuu 吴语
  • yue 粤语
  • lzh 文言文

script

  • Hans 简体汉字
  • Hant 繁体汉字

region

  • CN CHINA 中国
  • HK HONG KONG 香港
  • TW Taiwan 台湾
  • SG Singapore 新加坡

正确的写法

综上所述，从 BCP47 规范的定义中，我们不难发现zh-CN这种语言标签的写法已经过时，不符合规范，所以我从网上摘抄了一些标准的写法——

文字例子

圆珠笔 zh-Hans-CN
原子筆 zh-Hant-TW
它是一个刮胡刀 zh-Hans-CN
佢系一个须刨嚟嘅 yue-Hans
佢係一個鬚刨嚟嘅 yue-Hant
驴不胜怒，蹄之 zh-lzh-Hans
驢不勝怒，蹄之 zh-lzh-Hant
驴发怒，踢他了 zh-Hans-CN

语言标签解释

zh-Hans 简体中文（个人推荐）
zh-Hans-CN 以简体中文书写的中国大陆用词
zh-Hans-HK 以简体中文书写的香港地区用词
zh-Hant 繁體中文
zh-Hant-HK 以繁體中文書寫的香港地區用詞
zh-Hant-TW 以繁體中文書寫的台灣地區用詞
yue 粤语发音
cmn 普通话或國語发音
yue-Hans 以简体中文书写的粤语用词
zh-yue-Hans 以简体中文书写的粤语用词（个人推荐）
yue-Hant 以繁體中文書寫的粵語用詞
cmn-Hans 以简体中文书写的普通话用词
zh-cmn-Hans 以简体中文书写的普通话用词（个人推荐）
cmn-Hans-CN 以简体中文书写的中国大陆普通话用词
cmn-Hant-HK 以繁體中文書寫的香港地区普通話用詞
cmn-Hant-TW 以繁體中文書寫的台湾地区國語用詞

资料参考

2024 ZIJI.INFO - 萌ICP备20244222号 -