BCP 47：互联网语言标识标准详解

引言：什么是BCP 47？

在当今全球化的互联网环境中，准确标识内容所使用的语言至关重要——从网页显示到内容分发，从搜索引擎优化到辅助工具适配，都需要一种标准化的方式来告诉系统和用户：“这段内容说的是什么语言”。BCP 47正是为解决这一问题而设计的国际标准。

BCP 47的全称是 Best Current Practice 47（最佳现行实践第47号），由互联网工程任务组（IETF）发布，定义了一套用于标识人类语言的标准化“语言标签”（Language Tag）格式。这套标准广泛应用于现代互联网技术中，包括HTML、HTTP协议、XML、Unicode以及各类操作系统和编程环境。

BCP 47的构成：它不是一份文件，而是两份

“BCP 47”这个名称有一个容易被忽视的特点：它并不是单一的RFC文档，而是一个由两份核心RFC文档组成的系列。BCP编号本身是一个稳定的标识符，指向一组与特定IETF流程或推荐指南相关的RFC文档。

BCP 47包含以下两份规范：

  1. RFC 5646：《用于识别语言的标签》（Tags for Identifying Languages）——定义语言标签的语法结构、内容构成和语义，以及如何注册新的子标签值。这是构建语言标签的核心规范，2009年9月发布，取代了早期的RFC 4646、3066和1766。
  2. RFC 4647：《语言标签的匹配》（Matching of Language Tags）——定义如何比较和匹配语言标签，例如如何根据用户偏好的语言列表选择最合适的内容。它描述了过滤（filtering）和查找（lookup）两种匹配机制，用于内容协商等场景。

将规范分为“标签结构”和“匹配方法”两部分，既保持了核心语法的稳定，又为匹配算法的演进提供了独立空间。

语言标签的语法结构

BCP 47定义的语言标签由连字符（-）连接的一个或多个子标签（subtag）构成。最基本的格式是：

语言 – 文字 – 地区

其中，“语言”子标签是唯一必需的，其他均为可选。

主要语言子标签（必需）

这是语言标签的核心，通常由2到3个小写字母组成，源自ISO 639标准：

  • en = 英语
  • zh = 汉语
  • es = 西班牙语
  • ja = 日语

截至2009年的版本，BCP 47已整合了超过7000种语言的标识代码，包括ISO 639-3标准中新增的大量语种。

文字子标签（可选）

用于指定该语言的书写系统，由4个字母组成，首字母大写，源自ISO 15924标准：

  • zh-Hans = 简体中文
  • zh-Hant = 繁体中文
  • ja-Kana = 用片假名书写的日语
  • ru-Cyrl = 用西里尔字母书写的俄语

如果某种语言使用最典型的书写方式（如英语使用拉丁字母），通常不需要指定文字子标签。

地区子标签（可选）

用于标识特定地理区域使用的语言变体，可以是两个大写字母（ISO 3166国家代码）或三个数字（UN M.49地区代码）：

  • en-US = 美国英语
  • en-GB = 英国英语
  • es-ES = 西班牙本土西班牙语
  • es-419 = 拉丁美洲西班牙语

如果同时使用文字和地区子标签，文字子标签排在地区子标签之前，如 ru-Cyrl-BY 表示“白俄罗斯使用的、以西里尔字母书写的俄语”。

示例标签

标签含义
en英语（泛指）
en-US美国英语
en-GB英国英语
zh-Hans简体中文
zh-Hant-TW台湾地区使用的繁体中文
es-419拉丁美洲西班牙语

扩展机制：超越基本标识

高级子标签类型

除了上述三种主要子标签，BCP 47还支持更多精细化描述：

  • 扩展语言子标签（extlang）：三字母代码，用于标识宏语言下属的具体语种，与特定主语言标签配合使用。例如，zh-cmn 中的 cmn 表示官话/北方话。
  • 变体子标签（variant）：5至8个字母的代码，用于标识特定方言或语言变体，由IANA登记。
  • 私用子标签（private-use）：以 x- 开头，用于非公开的、自定义的语言标识。

Unicode扩展

BCP 47的扩展机制允许携带超越语言本身的信息。Unicode联盟维护着两种重要扩展：

  • -u 扩展（区域设置扩展）：用于携带区域设置相关信息，如排序规则、日历、时区等。例如，en-GB-u-kn-true 表示“英国英语，启用数字排序（kn = numeric）”。
  • -t 扩展（转换内容扩展）：用于标识内容转换来源或目标语言。例如，ja-Kana-t-it 表示“从意大利语转换而来的、用片假名书写的日语”。

这些扩展使得BCP 47能够同时服务于内容标识和国际化功能配置两个层面，极大地扩展了其实用范围。

IANA子标签注册中心：唯一的权威来源

创建符合BCP 47的语言标签时，所有合法的子标签代码都收录在IANA（互联网号码分配机构）维护的“语言子标签注册中心”（Language Subtag Registry）中。该注册中心包含近八千个条目，涵盖语言、文字、地区、变体等各类子标签。

每个注册条目包含以下关键信息：

  • Type：子标签类型（language、script、region、variant等）
  • Subtag：实际使用的代码
  • Description：描述信息
  • Added：添加日期
  • Deprecated（如有）：标记为废弃，并给出推荐的替代值（Preferred-Value）

例如，查找希伯来语会发现：

Type: language
Subtag: he
Description: Hebrew

而旧的代码 iw 则标记为 Deprecated，建议使用 he。

实践指南：如何选择正确的语言标签

W3C在其国际化指南中提供了以下建议：

  1. 遵循“黄金法则”——尽量简短：只有在必要时才添加额外的子标签。通常，仅需一个主要语言子标签就已足够。
  2. 使用IANA注册中心查找：通过搜索语言名称，在注册中心中找到对应的Subtag值。
  3. 优先使用具体而非泛指的子标签：避免使用语言组（collection）子标签；对于宏语言（macrolanguage），如 zh（汉语），建议在可能的情况下使用更具体的子标签（如 cmn 表示官话），但需注意向后兼容性问题——大多数现有系统将 zh 理解为官话，使用 cmn 可能导致兼容性问题。
  4. 避免使用已废弃的子标签：检查注册记录是否包含 Deprecated 字段，如有则使用 Preferred-Value 指定的替代值。
  5. 注意大小写约定：虽然语言标签整体不区分大小写，但约定俗成的写法是：语言子标签小写、文字子标签首字母大写、地区子标签大写。在不区分大小写的系统上，建议遵循此约定以增强可读性。

应用场景

BCP 47语言标签在互联网技术中无处不在：

  • HTML的lang全局属性：定义元素内容的语言，帮助浏览器、屏幕阅读器和搜索引擎理解内容。
  • HTTP内容协商：服务器根据用户浏览器发送的Accept-Language头信息，选择最合适的语言版本内容。
  • 系统与应用程序本地化：操作系统和应用根据语言标签加载对应的界面翻译和区域设置。
  • 国际化API：如JavaScript的Temporal对象、Canvas API、翻译和语言检测API等均使用BCP 47标签。

结语

BCP 47作为互联网的语言标识标准，通过一套严谨且灵活的标签体系，为全球化的数字内容交换提供了基础设施。从简单如 en 的通用标识，到精细如 en-GB-u-kn-true 的完整区域设置，BCP 47能够在简洁性与准确性之间取得平衡。理解并正确使用BCP 47语言标签，是开发国际化应用和构建全球化网站的基本功，也是让内容被世界范围内用户准确理解和有效访问的关键一步。

作者

老丹

关注我
其他文章