[[346406]]

本文轉(zhuǎn)載自微信公眾號「三太子敖丙」，作者三太子敖丙 。轉(zhuǎn)載本文請聯(lián)系三太子敖丙公眾號。

 前言

亂碼這個(gè)東西相信大家都遇到過，今天我的女朋友三歪就火急火燎的上來找我：“親愛的，我的idea怎么輸出亂碼了?”

我一頓操作就給他搞好了，但是三歪不愧是我的女朋友，好奇心跟我是一樣樣的，隨我。

那為什么會出現(xiàn)亂碼呢?

什么是編碼，什么是解碼?

什么是字符碼，什么是字符集?

為什么要有 Unicode ?UTF-8 和 GBK 又有什么不同呢?

三歪坐在我的腿上對我撒嬌似的說出這一連串的問題，我這個(gè)人寵粉但是更寵女朋友，所以就有了這篇文章。

為什么會出現(xiàn)亂碼我們知道計(jì)算機(jī)里存儲的只會是 0 和 1 組成的字節(jié)流，而僅是數(shù)字滿足不了我們的需求，我們還需要文本的處理等等，但是計(jì)算機(jī)只認(rèn)識數(shù)字，所以我們需要告訴計(jì)算機(jī)什么數(shù)字代表什么字符。

比如我指定 0000 代表 A，0001 代表 B 這樣計(jì)算機(jī)就知道了，所以我要把 AB 這兩個(gè)字符存入計(jì)算機(jī)的話，實(shí)際存儲的就是0000 0001，其實(shí)就等于把每個(gè)字符定制一個(gè)唯一的編碼。

但是這是我的指定，不同的人想法是不同的，比如小明就喜歡 1000 表示 A ，1111 表示 B，那小明的計(jì)算機(jī)按照他指定的編碼方式存儲，就是 1000 1111，之后傳輸給我的計(jì)算機(jī)，我拿到1000 1111，按照我的編碼解出來可能就是 %& 了，這就亂碼了。

所以亂碼的本質(zhì)就是編碼和解碼實(shí)現(xiàn)沒對應(yīng)上。

有些同學(xué)可能對編碼和解碼的概念不太熟悉，我來解釋一下：

• 編碼：其實(shí)就是將字符按照一定的格式轉(zhuǎn)換成字節(jié)流的過程。
• 解碼：就是將字節(jié)流解析成字符。

可以看到隨意編碼的就會產(chǎn)生各自的計(jì)算機(jī)都無法正確解析的情況，所以需要有一個(gè)標(biāo)準(zhǔn)，大家都按那個(gè)標(biāo)準(zhǔn)來指定字符和數(shù)字的對應(yīng)關(guān)系。

標(biāo)準(zhǔn)字符編碼

美國國家標(biāo)準(zhǔn)協(xié)會 ANSI 就制定了一個(gè)標(biāo)準(zhǔn)，即美國信息交換標(biāo)準(zhǔn)代碼(ASCII)，規(guī)定了常用字符集的集合和對應(yīng)的數(shù)字編號，例如 65 表示 A。

ASCII 實(shí)際上是 7 位編碼，用二進(jìn)制代碼表示就是 0000000~1111111，不過 1 個(gè)字節(jié)是 8 位，所以一般都用 8 位來存儲。可以看到 ASCII 代表了 128 個(gè)字符，這其實(shí)是傾美國的編碼，你看同樣講英文的英國，ASCII 上都沒英鎊的標(biāo)記。

還有人家的韓文，日文等等，更別說咱們中文了。

1 個(gè)字節(jié)最多只能表示 256 個(gè)字符，所以對我們來說不夠用，因此需要擴(kuò)展，像 GB2312 就是我們國家標(biāo)準(zhǔn)總局發(fā)布的《信息交換用漢字編碼字符集》，后來又發(fā)布了 GBK ，這個(gè) K 就是擴(kuò)展的意思，在 GB2312 的基礎(chǔ)上又添加了很多比如繁體字等字符。

所以說等于每個(gè)國家都有自己的標(biāo)準(zhǔn)，因?yàn)檎Z言都是不同的，各字符集的不同就導(dǎo)致計(jì)算機(jī)之間文檔的交流非常困難，因此大家又開始了一波標(biāo)準(zhǔn)化。

像美國的 ANSI 組織制定了 ANSI 標(biāo)準(zhǔn)字符編碼，其實(shí)就是制定平臺默認(rèn)的編碼，比如中國的操作系統(tǒng)就用 GBK ，如果是美國就用 ASCII，操作系統(tǒng)會預(yù)裝這些標(biāo)準(zhǔn)字符集。

不過這只能解決一份文檔一份字符編碼的情況，假設(shè)我文檔里面有日語、法語、德語、俄語、中文，你說怎么辦?

Unicode

所以又搞了個(gè) Unicode，又稱統(tǒng)一碼、萬國碼、單一碼。

Unicode 字符集涵蓋了目前人類使用的所有字符，并為每個(gè)字符進(jìn)行統(tǒng)一編號，分配唯一的字符碼，你看這種事情總得有人做，不然就沒法統(tǒng)一。

這里有幾個(gè)術(shù)語我解釋一下，讓大伙更加清晰一些。

• 字符：其實(shí)就像英文字母，或者我們的中文都叫字符
• 字符集：那就是字符和編號對應(yīng)的集合
• 字符碼：就是字符集里面字符對應(yīng)的數(shù)字，或者說編號，比如在 ASCII 字符集里面， A 的字符碼是 65
• 字符編碼：就是按照字符集中字符和數(shù)字的映射關(guān)系，轉(zhuǎn)化成字節(jié)流的實(shí)現(xiàn)

對于 Unicode 而言有一點(diǎn)和之前的編碼不太一樣，它將字符集和編碼實(shí)現(xiàn)解耦了。

之前的編碼比如 ASCII 編碼、GBK 編碼等等，它們的字符集和編碼實(shí)現(xiàn)是綁死的，你可以理解成以前的編碼其實(shí)就是查表，有一個(gè)固定的表格里面存儲這字符和對應(yīng)固定的二進(jìn)制，比如 A 對應(yīng)的編號是 65，其二進(jìn)制序列就是 01000001。

而 Unicode 不一樣，它將字符集和字符編碼實(shí)現(xiàn)分開了，比如 A 對應(yīng)的編號是 65，但是對應(yīng)的二進(jìn)制序列就不一定了，得看具體的字符編碼，如果是 UTF-8 編碼，則是 01000001，如果是 UTF-16 編碼(大端)，則是 00000000 01000001。

這其實(shí)也是為什么我們現(xiàn)在常用 UTF-8 而不是 UTF-16 的原因，可以看到 UTF-16 編碼存儲效率較低，最少使用兩個(gè)字節(jié)，并且像 C 語言的很多函數(shù)都會將 0x00 字節(jié)作為字符串的停止符來解析，所以才搞了個(gè) UTF-8，其使用 1~4 字節(jié)為每個(gè)字符編碼，是變長的，具體如何編碼的我就不說了，隨便查一下就有。

最后

至此我們已經(jīng)清晰了亂碼的根源，也知曉了為什么會有那么多字符編碼的出現(xiàn)，畢竟語言多，一開始出了個(gè) ASCII，但是對于其他國家來說不夠用，于是都各自進(jìn)行了擴(kuò)展。

而編碼多了各個(gè)國家之間難以做到統(tǒng)一，不易兼容，所以后來國際組織制定搞了個(gè) Unicode 字符集，對所有字符做了統(tǒng)一的編排，并且為了使得編碼更加靈活把字符集和編碼實(shí)現(xiàn)分開來。

對了，為什么英文都不會出現(xiàn)亂碼就是因?yàn)榻^大部分的字符集都是基于 ASCII 擴(kuò)展的，所以都兼容 ASCII 。

本期就是應(yīng)該算是一期比較有意思的科普系列，但是還是渴求你的點(diǎn)贊哈哈。