一知半解說亂碼，Unicode，utf-8 和ASCII碼- 台部落

一知半解說亂碼，Unicode，utf-8 和ASCII碼. 原創 da_yun 2018-09-11 07:24. 自學編程的菜鳥一隻。

前半片菜鳥總結，後半片，貼了一篇前人博客。

請輸入正確的登錄賬號或密碼 註冊 忘記密碼 首頁 python/shell 正文 一知半解說亂碼，Unicode，utf-8和ASCII碼 原創 da_yun 2018-09-1107:24   自學編程的菜鳥一隻。

前半片菜鳥總結，後半片，貼了一篇前人博客。

一直不明白爲什麼，讓程序打印中文，或者顯示中文時，會是亂碼。

查資料，或者網上查，只是說是因爲編碼的的原因，聲明一下就可以，比如Python首行加入#coding=utf-8  ，#-*-coding:utf-8-*- html在head標籤內加入，然後就可以正常顯示中文了。

爲什麼？？？現在用的是win7中文版，編輯器notepad++360瀏覽器，爲了方便就用html舉個例子吧，其他程序感覺都是一個道理。

我是小六兒，大運

/html>用360瀏覽器打開，顯示爲亂碼。

此時在頁面上右鍵，點擊編碼，可以看到瀏覽器默認解碼的編碼格式是中文簡體GBK，這是中文編碼的一種格式。

那麼我寫的那三行html的代碼是什麼編碼格式保存的呢？查看notepad++編輯器，默認的編碼格式是utf-8無bom格式編碼，不知道什麼是bom，就當是utf-8的編碼吧。

哦，現在有點兒明白了，我寫的着三行代碼，是用utf-8的編碼格式保存的，用瀏覽器打開是，瀏覽器默認是解釋GBK格式，所以把utf-8格式的內容“我是小六兒，大運”當個GBK格式的編碼來解碼，可不就成了亂碼。

這樣解釋，還能說通。

如果是上邊我總結的那樣，那麼接下來我們就來驗證一下邊的三點猜想是否正確。

1、在head標籤內加入，看360瀏覽器應該正常顯示中文，以utf-8的編碼格式來解碼。

2、在head標籤內加入，但是格式改爲GBK，此時用該顯示亂碼。

3、在head標籤內不加入，而是把編輯器的編碼格式改成GBK,瀏覽器應該能夠正常顯示中文。

接下來，就先1，在head標籤內加入，代碼就改成下面這樣了。

我是小六兒，大運

這是360瀏覽器，能正常顯示中文，而且解碼的編碼格式爲utf-8，也就是這個標籤寫上後，就以爲這自己已經聲明瞭，我是utf-8格式編碼的，當瀏覽器讀到這段代碼，也就知道了他是用utf-8編碼的，那瀏覽器就知道自己用utf-8的解碼方式來解釋裏邊的字符。

再接下來，我們就驗證猜想2，加入，而是把編輯器的編碼格式改成GBK，看了看好像沒有GBK這個編碼格式呀，那我們就先來介紹什麼是ANSI格式。

ANSI是默認的編碼方式。

對於英文文件是ASCII編碼，對於簡體中文文件是GB2312編碼（只針對Windows簡體中文版，如果是繁體中文版會採用Big5碼）。

GB2312就是中文編碼格式，GB2312是中國規定的漢字編碼，也可以說是簡體中文的字符集編碼;GBK是GB2312的擴展,除了兼容GB2312外，它還能顯示繁體中文，還有日文的假名這裏我們選擇ANSI就把它當成GBK吧。

把notepad++格式改爲ANSI，此時代碼中的文字直接變成了亂碼，這時可以刪了重新寫。

下圖爲修改格式後，原來的稱爲亂碼。

下圖爲，把亂碼刪除，重新輸入。

在瀏覽器中運行後，以utu-8格式來解碼，顯示爲亂碼，我們的猜想正確。

接下來我們來驗證第三個猜想，在head標籤內不加入，而是把編輯器的編碼格式改成GBK,瀏覽器應該能夠正常顯示中文。

在代碼中去掉這個聲明，編碼格式爲ANSI，此時中文的就是GBK。

用瀏覽器運行後，中文能夠正常顯示，且編碼默認的還是GBK。

第三個猜想正確。

在python中可以吧瀏覽器類比成python解釋器，道理相同，本人沒有深入瞭解，文本編碼的原理。

只是通過驗證，把思路理順，貌似能夠說得通。

歡迎指正期間讀了一篇下來10年前的博客，順便貼下來，再此感謝下文博客作者阮老師的分享。

鏈接：http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html ASCII碼我們知道，在計算機內部，所有的信息最終都表示爲一個二進制的字符串。

每一個二進制位（bit）有0和1兩種狀態，因此八個二進制位就可以組合出256種狀態，這被稱爲一個字節（byte）。

也就是說，一個字節一共可以用來表示256種不同的狀態，每一個狀態對應一個符號，就是256個符號，從0000000到11111111。

上個世紀60年代，美國製定了一套字符編碼，對英語字符與二進制位之間的關係，做了統一規定。

這被稱爲ASCII碼，一直沿用至今。

ASCII碼一共規定了128個字符的編碼，比如空格"SPACE"是32（二進制00100000），大寫的字母A是65（二進制01000001）。

這128個符號（包括32個不能打印出來的控制符號），只佔用了一個字節的後面7位，最前面的1位統一規定爲0。

2、非ASCII編碼英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。

比如，在法語中，字母上方有注音符號，它就無法用ASCII碼錶示。

於是，一些歐洲國家就決定，利用字節中閒置的最高位編入新的符號。

比如，法語中的é的編碼爲130（二進制10000010）。

這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符號。

但是，這裏又出現了新的問題。

不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。

比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel()，在俄語編碼中又會代表另一個符號。

但是不管怎樣，所有這些編碼方式中，0--127表示的符號是一樣的，不一樣的只是128--255的這一段。

至於亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。

一個字節只能表示256種符號，肯定是不夠的，就必須使用多個字節表達一個符號。

比如，簡體中文常見的編碼方式是GB2312，使用兩個字節表示一個漢字，所以理論上最多可以表示256x256=65536個符號。

中文編碼的問題需要專文討論，這篇筆記不涉及。

這裏只指出，雖然都是用多個字節表示一個符號，但是GB類的漢字編碼與後文的Unicode和UTF-8是毫無關係的。

3.Unicode正如上一節所說，世界上存在着多種編碼方式，同一個二進制數字可以被解釋成不同的符號。

因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。

爲什麼電子郵件常常出現亂碼？就是因爲發信人和收信人使用的編碼方式不一樣。

可以想象，如果有一種編碼，將世界上所有的符號都納入其中。

每一個符號都給予一個獨一無二的編碼，那麼亂碼問題就會消失。

這就是Unicode，就像它的名字都表示的，這是一種所有符號的編碼。

Unicode當然是一個很大的集合，現在的規模可以容納100多萬個符號。

每個符號的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字"嚴"。

具體的符號對應表，可以查詢unicode.org，或者專門的漢字對應表。

4.Unicode的問題需要注意的是，Unicode只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。

比如，漢字"嚴"的unicode是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說這個符號的表示至少需要2個字節。

表示其他更大的符號，可能需要3個字節或者4個字節，甚至更多。

這裏就有兩個嚴重的問題，第一個問題是，如何才能區別Unicode和ASCII？計算機怎麼知道三個字節表示一個符號，而不是分別表示三個符號呢？第二個問題是，我們已經知道，英文字母只用一個字節表示就夠了，如果Unicode統一規定，每個符號用三個或四個字節表示，那麼每個英文字母前都必然有二到三個字節是0，這對於存儲來說是極大的浪費，文本文件的大小會因此大出二三倍，這是無法接受的。

它們造成的結果是：1）出現了Unicode的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示Unicode。

2）Unicode在很長一段時間內無法推廣，直到互聯網的出現。

5.UTF-8互聯網的普及，強烈要求出現一種統一的編碼方式。

UTF-8就是在互聯網上使用最廣的一種Unicode的實現方式。

其他實現方式還包括UTF-16（字符用兩個字節或四個字節表示）和UTF-32（字符用四個字節表示），不過在互聯網上基本不用。

重複一遍，這裏的關係是，UTF-8是Unicode的實現方式之一。

UTF-8最大的一個特點，就是它是一種變長的編碼方式。

它可以使用1~4個字節表示一個符號，根據不同的符號而變化字節長度。

UTF-8的編碼規則很簡單，只有二條：1）對於單字節的符號，字節的第一位設爲0，後面7位爲這個符號的unicode碼。

因此對於英語字母，UTF-8編碼和ASCII碼是相同的。

2）對於n字節的符號（n>1），第一個字節的前n位都設爲1，第n+1位設爲0，後面字節的前兩位一律設爲10。

剩下的沒有提及的二進制位，全部爲這個符號的unicode碼。

下表總結了編碼規則，字母x表示可用編碼的位。

Unicode符號範圍|UTF-8編碼方式(十六進制)|（二進制）--------------------+---------------------------------------------00000000-0000007F|0xxxxxxx00000080-000007FF|110xxxxx10xxxxxx00000800-0000FFFF|1110xxxx10xxxxxx10xxxxxx00010000-0010FFFF|11110xxx10xxxxxx10xxxxxx10xxxxxx跟據上表，解讀UTF-8編碼非常簡單。

如果一個字節的第一位是0，則這個字節單獨就是一個字符；如果第一位是1，則連續有多少個1，就表示當前字符佔用多少個字節。

下面，還是以漢字"嚴"爲例，演示如何實現UTF-8編碼。

已知"嚴"的unicode是4E25（100111000100101），根據上表，可以發現4E25處在第三行的範圍內（00000800-0000FFFF），因此"嚴"的UTF-8編碼需要三個字節，即格式是"1110xxxx10xxxxxx10xxxxxx"。

然後，從"嚴"的最後一個二進制位開始，依次從後向前填入格式中的x，多出的位補0。

這樣就得到了，"嚴"的UTF-8編碼是"111001001011100010100101"，轉換成十六進制就是E4B8A5。

6.Unicode與UTF-8之間的轉換通過上一節的例子，可以看到"嚴"的Unicode碼是4E25，UTF-8編碼是E4B8A5，兩者是不一樣的。

它們之間的轉換可以通過程序實現。

在Windows平臺下，有一個最簡單的轉化方法，就是使用內置的記事本小程序Notepad.exe。

打開文件後，點擊"文件"菜單中的"另存爲"命令，會跳出一個對話框，在最底部有一個"編碼"的下拉條。

裏面有四個選項：ANSI，Unicode，Unicodebigendian和UTF-8。

1）ANSI是默認的編碼方式。

對於英文文件是ASCII編碼，對於簡體中文文件是GB2312編碼（只針對Windows簡體中文版，如果是繁體中文版會採用Big5碼）。

2）Unicode編碼指的是UCS-2編碼方式，即直接用兩個字節存入字符的Unicode碼。

這個選項用的littleendian格式。

3）Unicodebigendian編碼與上一個選項相對應。

我在下一節會解釋littleendian和bigendian的涵義。

4）UTF-8編碼，也就是上一節談到的編碼方法。

選擇完"編碼方式"後，點擊"保存"按鈕，文件的編碼方式就立刻轉換好了。

7.Littleendian和Bigendian上一節已經提到，Unicode碼可以採用UCS-2格式直接存儲。

以漢字"嚴"爲例，Unicode碼是4E25，需要用兩個字節存儲，一個字節是4E，另一個字節是25。

存儲的時候，4E在前，25在後，就是Bigendian方式；25在前，4E在後，就是Littleendian方式。

這兩個古怪的名稱來自英國作家斯威夫特的《格列佛遊記》。

在該書中，小人國裏爆發了內戰，戰爭起因是人們爭論，吃雞蛋時究竟是從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開。

爲了這件事情，前後爆發了六次戰爭，一個皇帝送了命，另一個皇帝丟了王位。

因此，第一個字節在前，就是"大頭方式"（Bigendian），第二個字節在前就是"小頭方式"（Littleendian）。

那麼很自然的，就會出現一個問題：計算機怎麼知道某一個文件到底採用哪一種方式編碼？Unicode規範中定義，每一個文件的最前面分別加入一個表示編碼順序的字符，這個字符的名字叫做"零寬度非換行空格"（ZEROWIDTHNO-BREAKSPACE），用FEFF表示。

這正好是兩個字節，而且FF比FE大1。

如果一個文本文件的頭兩個字節是FEFF，就表示該文件採用大頭方式；如果頭兩個字節是FFFE，就表示該文件採用小頭方式。

8.實例下面，舉一個實例。

打開"記事本"程序Notepad.exe，新建一個文本文件，內容就是一個"嚴"字，依次採用ANSI，Unicode，Unicodebigendian和UTF-8編碼方式保存。

然後，用文本編輯軟件UltraEdit中的"十六進制功能"，觀察該文件的內部編碼方式。

1）ANSI：文件的編碼就是兩個字節"D1CF"，這正是"嚴"的GB2312編碼，這也暗示GB2312是採用大頭方式存儲的。

2）Unicode：編碼是四個字節"FFFE254E"，其中"FFFE"表明是小頭方式存儲，真正的編碼是4E25。

3）Unicodebigendian：編碼是四個字節"FEFF4E25"，其中"FEFF"表明是大頭方式存儲。

4）UTF-8：編碼是六個字節"EFBBBFE4B8A5"，前三個字節"EFBBBF"表示這是UTF-8編碼，後三個"E4B8A5"就是"嚴"的具體編碼，它的存儲順序與編碼順序是一致的。

亂碼 utf 編碼格式 Python/shell 發表評論 登录 所有評論 還沒有人評論，想成為第一個評論的人麼?請在上方評論欄輸入並且點擊發布. 相關文章 Asp常用通用函數之Cookie防亂碼 youyaozc 2019-02-2313:43:04 繁體中文網頁亂碼 Monkey001 2019-02-2313:19:41 深入淺出URL編碼 ketqi 2019-02-2312:50:43 linux下windows文件名亂碼解決方法 k1nman 2019-02-2300:41:53 SublimeText3中文亂碼問題 CACZJZ 2019-02-2300:24:09 亂碼 vivisrf 2019-02-2300:23:08 gedit亂碼問題 wenix 2019-02-2300:16:40 ubuntu下使用vi是方向鍵變亂碼退格鍵不能使用的解決方法 adam1943 2019-02-2300:10:11 RHEL5.1安裝VMTOOL及中文亂碼終極解決方案 waither12 2019-02-2300:08:50 java亂碼問題 FarXiang 2019-02-2300:05:45 C#中面向連接Socket編程（結合Encoding與線程池） sunzongbao2007 2019-02-2300:01:27 struts處理中文亂碼問題總結 rxtcc 2019-02-2223:58:03 Linux與SecureCRT的使用、消除亂碼、基本命令使用 jacinto 2019-02-2223:56:15 用python連接Oracle是總是亂碼 benhuang138 2019-02-2223:36:30 linux命令行下中文文件名亂碼的解決方法 hualsj88 2019-02-2223:31:06 D da_yun 24小時熱門文章 k8s入門之常見問題&命令 鬱金香用C寫一個定時器來循環獲取陽光 這個外包公司太噁心了。

。

進去請三思！ 11導師讓你造航母怎麼辦？ 10我可以不用發論文了？ 一文讀懂MySQL索引 驅動開發：內核R3與R0內存映射拷貝 驅動開發：內核通過PEB得到進程參數 vscodemarkdownWYSIWYG所見即所得編輯和預覽 最新文章 Linux命令（命令學習之一） linux命令學習之系統管理類命令（命令學習之二） bash特性一、二、三 linux用戶的創建與管理（命令學習之五） linux命令學習之cp（命令學習之四） 最新評論文章 [2022]TopRatedCheckPoint156-315.80ExamQuestions QualifiedWritingServiceinAustraliacanallowstudentstoachievebettergrades Takeassignmenthelpertoresolvethepaperquerieseasily UpdatedCompTIADA0-001ExamQuestions(2022) 美國黑金效果和其它速效藥的不同之處 MicrosoftDP-500PDFQuestion[2022]-SecretToPassExamInFirstAttempt-[PremiumDumps]