拾光 HTML从头到尾,读懂标记语言

第六章 · 媒体

多媒体与嵌入:图片、声音、影像与画布

文字之外,页面还会装下图片、视频、音频、地图和一小块可以作画的画布。 这一章讲的是如何把它们放得体面:选对格式、给对尺寸、留好回退、说清楚内容, 并且在嵌入外部内容时守住安全的边界。

阅读约 26 分钟 18 个示例 进阶难度 含实时预览

响应式图片:把选择权交给浏览器

一张图要在 375px 的手机上清晰,也要在 1440px 的桌面上撑得住, 但手机显然不该下载那张 1600px 的大图。过去的做法是用 JavaScript 监听窗口宽度再换地址, 现在只需要在 <img> 上写清楚「我有哪些尺寸」「我大概会显示多宽」, 剩下的交给浏览器。

srcset 有两种描述方式。宽度描述符 w 配合 sizes 使用,适合内容图片;密度描述符 x 适合固定尺寸的图,比如 logo 和图标。

html 宽度描述符 + sizes:内容图片的标准写法
<img
  src="photo-800.jpg"
  srcset="photo-400.jpg 400w,
          photo-800.jpg 800w,
          photo-1600.jpg 1600w"
  sizes="(min-width: 900px) 50vw, 100vw"
  width="800" height="600"
  alt="雾中的石阶">

浏览器拿到这段代码后,会做几步计算:先根据 sizes 判断这个图片槽位在当前视口下大约多宽; 再乘以设备的像素比(DPR);然后在候选列表里挑一张刚好够用的图。 如果候选都不够大,就退而取最大的那张。

视口宽度sizes 给出的槽位DPR需要的像素浏览器选择
375px100vw = 375px2750px800w
768px100vw = 768px21536px1600w
1200px50vw = 600px1600px800w
1200px50vw = 600px21200px1600w

这张表说明了两个常被误解的点:sizes 里写的是图片预期显示宽度, 不是图片文件宽度;浏览器并不总是挑最大的图,它挑的是「最小但足够」的那张。 因此 sizes 必须和 CSS 里真实的布局保持一致,写错了会让浏览器做出错误判断。

html 先把尺寸、alt 与懒加载写对
<img
  src="data:image/svg+xml,%3Csvg xmlns='http://www.w3.org/2000/svg' width='480' height='300'%3E%3Crect width='480' height='300' fill='%23e9f0ea'/%3E%3Ctext x='240' y='158' text-anchor='middle' fill='%23587768' font-size='18'%3E%E7%A4%BA%E4%BE%8B%E5%9B%BE%E7%89%87%3C/text%3E%3C/svg%3E"
  width="480" height="300"
  loading="lazy" decoding="async"
  alt="示例图片:雾中的石阶">

无论是否使用 srcset,width 与 height 都建议写上。 浏览器会据此提前算出图片的宽高比并预留空间,避免图片加载完成时页面突然跳动。 loading="lazy" 让首屏之外的图片延后加载,decoding="async" 则允许浏览器在解码时不阻塞渲染。

密度描述符与 picture

固定尺寸的图(例如 120px 宽的 logo)用 x 描述符更自然: 浏览器按当前设备的像素比挑 1x、2x 或 3x。这里不需要 sizes, 因为显示尺寸是确定的。

html 用 x 描述符提供多倍图
<img src="logo.png"
     srcset="logo.png 1x, logo@2x.png 2x, logo@3x.png 3x"
     width="120" height="40"
     alt="拾光 HTML">

<picture> 解决的是另一类问题:不仅要换尺寸,还要换格式,甚至换构图。 它按顺序检查每个 <source>,第一个满足条件的生效; 如果都不满足,就落到最后的 <img>。所以那张 <img> 是必需的,它同时承担回退与 alt 的职责。

html 格式回退:AVIF → WebP → JPEG
<picture>
  <source type="image/avif"
          srcset="scene-800.avif 800w, scene-1600.avif 1600w"
          sizes="100vw">
  <source type="image/webp"
          srcset="scene-800.webp 800w, scene-1600.webp 1600w"
          sizes="100vw">
  <img src="scene-800.jpg"
       srcset="scene-800.jpg 800w, scene-1600.jpg 1600w"
       sizes="100vw" width="800" height="500"
       alt="窗外的一棵树">
</picture>
html 美术方向:窄屏用竖构图,宽屏用横构图
<picture>
  <source media="(min-width: 900px)" srcset="wide.jpg">
  <source media="(min-width: 600px)" srcset="square.jpg">
  <img src="narrow.jpg" width="480" height="600"
       alt="同一处风景的竖版构图">
</picture>
格式特点使用建议
AVIF压缩率高,支持透明与动图,编码较慢优先提供给支持的浏览器,作为第一层 source。
WebP兼容性好,体积通常小于 JPEG/PNG作为第二层回退,覆盖绝大多数现代浏览器。
JPEG兼容性最广,不支持透明放在 img 里兜底,照片类内容足够。
PNG / SVGPNG 适合需要透明的位图,SVG 适合图标与插画图标优先 SVG,复杂透明图用 PNG。
两个常见坑

第一,给 picture 里的 img 忘了写 alt;第二,sizes 随手写成 100vw, 而 CSS 里图片其实只占一半宽,结果浏览器每次都下载了过大的图。

video:把一段影像放进页面

视频通常是页面里最重的资源。<video> 的写法不复杂, 难的是把每一项默认行为想清楚:要不要控件、要不要自动播放、什么时候开始加载、 加载前显示什么、浏览器不支持时又该看到什么。

html 多格式来源与回退文字
<video controls width="640" height="360"
       poster="cover.jpg" preload="metadata" playsinline>
  <source src="rain.webm" type="video/webm">
  <source src="rain.mp4" type="video/mp4">
  <p>你的浏览器不支持 video,请
     <a href="rain.mp4">下载视频</a>。</p>
</video>

src 直接写在 video 上只能给一个地址;需要多格式时,用一组 <source>,浏览器按顺序挑第一个它能播放的类型。 video 标签内部的文字是回退内容,只在浏览器不支持该元素时显示, 所以它应该是一句能真正帮到人的话,而不是「您的浏览器版本过低」。

属性作用注意
controls显示浏览器原生播放控件布尔属性,出现即开启。
autoplay尽量自动播放现代浏览器通常要求同时静音,否则会被拦截。
muted默认静音自动播放的常见前提,不是可选装饰。
loop播放结束后从头再来背景动效常用,注意别让人无法停止。
playsinline在页面内播放,而非全屏接管iOS Safari 上尤其重要。
preloadnone / metadata / auto控制预加载程度,默认行为因浏览器而异。
poster播放前显示的海报图第一帧通常不好看,值得单独准备。

自动播放是体验与礼貌的平衡。所有主流浏览器都限制「带声音的自动播放」, 一般要求视频静音后才允许自动开始;移动端还会额外考虑省电模式与流量节省。 所以如果你的视频有解说,请老老实实给 controls 让用户自己按下播放; 如果只是无声的氛围动效,可以写成 autoplay muted loop playsinline, 并尊重系统的「减少动态效果」偏好。

html 静音循环的背景短片
<video autoplay muted loop playsinline
       width="640" height="360"
       poster="cover.jpg" preload="metadata">
  <source src="wind.mp4" type="video/mp4">
</video>

还有几个细节值得留意:给 video 写上 width 与 height,让浏览器预留位置; preload="metadata" 是多数页面的折中选择,只取时长与首帧信息; 如果之后需要用 canvas 读取视频像素,还要处理 crossorigin 与跨域策略。 如果视频来自别的域名,记得确认对方允许跨域播放。

关于本页示例

站内没有真实视频文件,示例里的 rain.mp4、wind.mp4 只是占位路径。复制到自己的项目时,换成真实文件并确认编码为浏览器普遍支持的 H.264 / AAC 或 VP9 / Opus。

字幕与音轨:让画面之外也有信息

视频有了画面和声音,还可能缺少第三层信息:文字。<track> 用来挂载 WebVTT 字幕文件,它必须写在 video 内部,并且放在所有 <source> 之后。一个视频可以挂多条轨道,由用户在控件里切换。

html 多条字幕与章节轨
<video controls width="640" height="360">
  <source src="talk.mp4" type="video/mp4">
  <track kind="subtitles" src="talk.zh.vtt"
         srclang="zh" label="中文" default>
  <track kind="subtitles" src="talk.en.vtt"
         srclang="en" label="English">
  <track kind="chapters" src="talk.chapters.vtt"
         srclang="zh" label="章节">
  <track kind="descriptions" src="talk.desc.vtt"
         srclang="zh" label="画面描述">
</video>
kind用途典型场景
subtitles对白翻译,面向听不懂该语言的人外语影片的中文字幕
captions对白加音效、音乐等声音信息,面向听障用户「门轻轻关上」「远处有雷声」
descriptions朗读画面内容,面向视障用户描述人物动作与场景变化
chapters章节导航,出现在进度条上讲座、播客、长视频
metadata给脚本读取的时间轴数据,不显示配合 JavaScript 做交互

srclang 声明轨道语言,label 是给用户看的名字, default 表示默认开启。注意 subtitles 与 captions 的区别: 前者假设观众能听见,只是听不懂语言;后者假设观众听不见,所以要把声音也写进去。 面向中文用户的站内视频,至少提供一条中文 captions,是很好的起点。

WebVTT 是一种很朴素的文本格式:第一行固定写 WEBVTT, 之后用时间轴加文字组成一条条 cue,条目之间空一行。它还支持为文字设置位置与样式, 但多数情况下,清楚的时间与断句比花哨的样式更重要。

vtt talk.zh.vtt:一条最小的字幕文件
WEBVTT

00:00:00.000 --> 00:00:03.200
雨落在瓦上,声音很轻。

00:00:03.400 --> 00:00:07.000
我们把窗推开一条缝。
注意

轨道文件与页面不同源时,需要对方返回允许跨域的响应头,否则字幕可能加载失败。另外,track 只是提供文件,是否显示还取决于控件与用户的选择。

audio:声音的另一种容器

<audio> 与 video 的用法几乎一致:同样支持多 <source>、 同样有 controls、autoplay、muted、loop、 同样的回退内容写法。区别在于它没有画面,因此没有 poster,也不支持 track 字幕轨。

html 带格式回退的音频
<audio controls preload="metadata">
  <source src="rain.ogg" type="audio/ogg">
  <source src="rain.mp3" type="audio/mpeg">
  <p>你的浏览器不支持 audio,请
     <a href="rain.mp3">下载音频</a>。
  </p>
</audio>
对比项videoaudio
画面与尺寸有视频区,可用 width / height无画面,尺寸由控件决定
海报支持 poster不支持 poster
字幕轨支持 track不支持 track,需另附文字稿
自动播放通常需要 muted同样受静音与省电策略限制
可访问性重点字幕、音轨描述、避免闪烁提供逐字稿,不要无声自动播放

音频最容易被忽略的可访问性问题是「没有文字稿」。听力正常的用户随手就能听完一段访谈, 而听障用户、在安静环境里的人、搜索引擎,都只能依赖你提供的文字。 一段十秒的音频配一个可展开的逐字稿,成本不高,收益却很实在。

另一个常见错误是给音频加上 autoplay 却不给 controls。 用户既无法停止,也找不到声源,这几乎是最令人反感的网页行为之一。 如果确实需要自动播放,请静音、给控件,并把播放权交还给用户。

iframe:在页面里开一扇窗

<iframe> 用于在当前页面里嵌入另一份文档:地图、视频播放器、 第三方表单、代码演示。它带来便利,也带来安全与性能上的责任。 最基本的一条是:iframe 必须有 title。屏幕阅读器会把 title 作为这个框架的名字读出来, 没有 title 的 iframe 就像一扇没有标签的门。

html 一个相对完整的嵌入写法
<iframe
  src="https://example.com/map"
  title="西湖景区地图"
  width="600" height="360"
  loading="lazy"
  referrerpolicy="no-referrer"
  sandbox="allow-forms allow-popups"
  allow="geolocation">
</iframe>

loading="lazy" 让 iframe 进入视口附近才加载,对页面底部的地图尤其有效。 referrerpolicy 控制请求时携带多少来源信息,嵌入第三方内容时建议收紧。 allow 是权限策略,决定这个框架能否使用定位、摄像头、麦克风等能力。

sandbox 是最重要的一道防线。它默认把被嵌入文档限制在一个很严格的沙箱里: 不能执行脚本、不能提交表单、不能弹出窗口、不能打开新顶层页面。 你需要什么,就逐项放开什么,而不是反过来先全部放开再想办法收紧。

sandbox 取值放开的能力风险提示
allow-scripts允许执行 JavaScript与 allow-same-origin 同用时可能突破沙箱,谨慎组合。
allow-same-origin保留原文档的源,可访问同源存储仅在你完全信任该文档时使用。
allow-forms允许提交表单嵌入第三方问卷时通常需要。
allow-popups允许打开新窗口或标签页配合 allow-popups-to-escape-sandbox 时风险更高。
allow-top-navigation允许导航顶层页面恶意内容可把你的页面整个替换掉,一般不要给。
allow-modals允许 alert、confirm 等模态框可能打断用户,按需开放。

还有一个轻量的写法:srcdoc,直接把一小段 HTML 写进属性里, 适合做演示或沙箱测试,不需要额外的文件。

html 用 srcdoc 写一段内联文档
<iframe title="内联小示例"
        srcdoc="&lt;p&gt;这段文字写在 srcdoc 里。&lt;/p&gt;">
</iframe>

嵌入第三方页面时,还要考虑「点击劫持」:攻击者把你的页面套进他自己的 iframe 里, 再覆盖一层透明按钮,诱导用户点击。防御来自服务器响应头: X-Frame-Options: DENY 或 SAMEORIGIN,以及更现代的 Content-Security-Policy: frame-ancestors。这些不是 HTML 能解决的, 但作为写页面的人,至少要知道它存在。

最后是体验层面:iframe 会带来额外的文档加载与脚本开销,能不用就不用; 必须用时,给它明确的宽高或宽高比,避免布局抖动;嵌入地图或视频时, 优先使用对方提供的隐私友好模式,并确认 title 描述的是内容本身,而不是「iframe」。

canvas:用脚本画一块画布

<canvas> 本身只是一个空白的矩形区域,真正的绘制发生在 JavaScript 里。 它适合做图表、游戏、图片处理、粒子动画这类需要逐帧计算的内容。 canvas 内部的内容不会进入 DOM,也不可被选择、搜索或朗读, 所以一定要在标签里写好回退文字,并在需要时补充 ARIA 描述。

html 用 2D 上下文画渐变、圆与文字
<canvas id="sky" width="420" height="220">
  你的浏览器不支持 canvas,这里本应是一幅暮色插画。
</canvas>

<script>
  var c = document.getElementById('sky');
  var ctx = c.getContext('2d');

  var g = ctx.createLinearGradient(0, 0, 0, 220);
  g.addColorStop(0, '#e9f0ea');
  g.addColorStop(1, '#f8ece6');
  ctx.fillStyle = g;
  ctx.fillRect(0, 0, 420, 220);

  ctx.beginPath();
  ctx.arc(330, 58, 34, 0, Math.PI * 2);
  ctx.fillStyle = '#d8ae9f';
  ctx.fill();

  ctx.fillStyle = '#587768';
  ctx.font = '16px sans-serif';
  ctx.fillText('拾光,画一笔。', 28, 120);
</script>

width 与 height 是画布的像素尺寸,不是 CSS 尺寸。 如果只改 CSS 宽高,画布会被拉伸,线条变糊;正确的做法是让两者匹配, 在高分屏上按 devicePixelRatio 放大位图再用 CSS 缩回。 这也是 canvas 与「响应式图片」最大的不同:它需要你亲手管理像素。

对比项canvasSVG
图形本质位图,由像素组成矢量,由元素与路径描述
缩放放大会糊,需要重绘任意缩放都清晰
DOM 结构只有一块画布,内部不可访问每个图形都是可访问、可选中的节点
样式控制全部靠脚本可用 CSS 与属性控制
适用场景游戏、图表、图像处理、大量粒子图标、插画、地图、交互式图表
可访问性需提供回退文字与外部描述原生支持 title / desc 与角色

选择的标准并不复杂:需要成千上万个对象逐帧变化,用 canvas; 需要清晰缩放、可点击、可搜索、可朗读,用 SVG。 很多图表库会两者兼用,把复杂绘制交给 canvas,把坐标轴与标签留给 SVG。

内联 SVG:可以被 CSS 照看的矢量图

SVG 可以直接写进 HTML,成为 DOM 的一部分。它用坐标系描述图形: viewBox 定义内部的坐标范围,图形按比例缩放到元素的实际宽高。 <path> 里的 M 是移动到某点,L 是画直线, C 是三次贝塞尔曲线,Z 是闭合路径。

html 一片可朗读的叶子图标
<svg viewBox="0 0 64 64" width="96" height="96"
     role="img" aria-labelledby="leafTitle leafDesc">
  <title id="leafTitle">一片叶子</title>
  <desc id="leafDesc">浅绿色的叶子图标,象征生长。</desc>
  <path d="M48 12C34 16 22 26 20 44c0 0 12 4 20-4s8-28 8-28Z"
        fill="#8ba79a"/>
  <path d="M20 44 42 20" stroke="#587768" stroke-width="2"
        stroke-linecap="round"/>
</svg>

内联 SVG 最大的好处是「可样式化」:fill 与 stroke 可以被 CSS 覆盖,currentColor 还能让它跟随文字颜色变化。 图标按钮因此可以把颜色统一交给父元素管理,不必为每个状态准备一张图。

html 装饰性图标:交给 CSS,不让它被朗读
<style>
  .icon { width: 24px; height: 24px; color: #587768; vertical-align: middle; }
</style>

<p>
  <svg class="icon" viewBox="0 0 24 24" aria-hidden="true">
    <path d="M12 21c0-6 2-11 8-14-1 8-4 12-8 14Z"
          fill="currentColor"/>
  </svg>
  这是一个装饰性图标
</p>

可访问性上分成两类:如果图标是装饰,加 aria-hidden="true", 让辅助技术直接跳过;如果图标本身承载信息,用 role="img" 加上 <title>(必要时再加 <desc>), 并用 aria-labelledby 关联。两者不要同时做,否则会出现重复朗读。

什么时候用 SVG

图标、logo、线条插画、需要随主题变色的图形,优先 SVG。照片、复杂纹理仍然交给位图格式,SVG 反而会让文件变大。

object 与 embed:一段旧时光

<object> 与 <embed> 是更早一代的嵌入元素。 它们曾经承担过 Flash、Java Applet、PDF 等内容的嵌入工作。随着插件时代结束, 这两个元素的使用场景缩小到少数情况,例如在页面里预览 PDF。

html 嵌入 PDF 的两种写法
<object data="annual-report.pdf"
        type="application/pdf"
        width="600" height="400">
  <p>无法在线预览,请
     <a href="annual-report.pdf">下载 PDF</a>。
  </p>
</object>

<embed src="annual-report.pdf"
       type="application/pdf"
       width="600" height="400">

object 可以包含回退内容,这是它比 embed 更可靠的地方;embed 是空元素, 没有内容、没有结束标签,也不提供回退。此外,PDF 能否在页面内预览, 取决于浏览器的内置阅读器与用户的设置,在移动端尤其不稳定。 更稳妥的做法是给一张封面图加下载链接,把「必须阅读」的内容做成 HTML 页面。

今天如果要做视频、音频、图片、矢量图、动态画布,请对应使用 video、audio、img、svg、canvas。 它们有明确的标准行为、更好的可访问性与更可靠的浏览器支持。 object 与 embed 更像老房子里的木窗:还能开合,但不必每面墙都装一扇。

图像热区:让一张图拥有多个入口

<map> 与 <area> 可以在同一张图片上划出若干可点击区域。 形状支持矩形、圆形与多边形,坐标以图片的原始像素为准。 当一张图真的承担着「示意图导航」的职责,例如楼层导览、地图标注,它才有意义。

html 矩形、圆形与多边形热区
<img src="floor-plan.svg" alt="书店楼层示意图"
     usemap="#floor" width="480" height="300">

<map name="floor">
  <area shape="rect" coords="20,20,220,140"
        href="/floor-1" alt="一层:文学与小说">
  <area shape="circle" coords="330,200,70"
        href="/floor-2" alt="二层:咖啡与阅读区">
  <area shape="poly" coords="260,20,460,20,420,110,300,110"
        href="/floor-3" alt="三层:展览空间">
</map>

三个细节不能省:usemap 要写成 # 加 map 的 name; 每个 area 都要有 alt,因为它是链接,也需要可读的名字; 图片本身也要有 alt,说明整张图是什么。

热区的局限也很明显:坐标是硬编码的,图片一旦响应式缩放,点击区域就会错位; 在小屏上用手指精确点中一个多边形并不容易;图片被替换时,所有坐标都要重算。 如果只是几个入口,用绝对定位的链接覆盖在图片上,或用 HTML 加 CSS 重画布局, 通常比图像热区更可控。热区更适合「图形本身就是内容」的少数场景。

可访问性提醒

不要用热区实现整站导航。它依赖精确的视觉定位,屏幕阅读器用户只能按链接列表逐条听,键盘用户也难以建立空间感。

媒体性能与体验清单

媒体元素写对只是起点,用得舒服还需要一组习惯。下面这份清单可以贴在项目里, 每次上线前过一遍。

  • 图片都写了 width 与 height(或 CSS 宽高比),避免布局跳动。
  • 首屏以外的图片使用 loading="lazy",首屏大图不要懒加载。
  • 内容图片配 srcset 与准确的 sizes,按真实布局写。
  • 优先提供 AVIF 或 WebP,并用 picture 准备 JPEG 回退。
  • 视频给出 poster、preload="metadata",不要无声自动播放带解说的视频。
  • 所有视频至少提供一条字幕或文字稿;音频提供逐字稿。
  • iframe 使用 loading="lazy"、有意义的 title 与最小化的 sandbox 权限。
  • 嵌入的第三方内容考虑隐私与点击劫持,确认对方允许被框架嵌入。
  • 用 canvas 时处理好像素比;用 SVG 时做好装饰与信息的区分。
资源关键动作常见错误
图片压缩、正确尺寸、现代格式、懒加载上传 4000px 原图再用 CSS 缩小
视频封面图、元数据预加载、字幕自动播放带声音、缺少回退文字
音频控件、逐字稿、避免自动播放自动播放且无法暂停
iframetitle、lazy、sandbox、allow缺少 title、权限全开
canvas / SVG像素比、可访问名称、矢量优先把整块内容画进 canvas 不留文字

还有一个容易被忘记的性能手段:对首屏关键图片使用 preload, 并让预加载的候选集与 img 的 srcset 保持一致。 预加载写错版本,等于让浏览器多下载一张图。

html 预加载首屏大图,候选与显示保持一致
<link rel="preload" as="image"
      imagesrcset="hero-800.jpg 800w, hero-1600.jpg 1600w"
      imagesizes="(min-width: 900px) 50vw, 100vw">

最后回到一句朴素的话:媒体是给眼睛和耳朵的,但页面终究要被机器解析。 给每个资源一个准确的地址、一个够用的尺寸、一段说得清楚的替代文字, 再守住嵌入的安全边界,多媒体的体验才真正完整。

下一步

结构、内容、媒体都齐了,接下来关心「谁在使用」:键盘、屏幕阅读器、放大镜与各种偏好设置。下一章进入可访问性。