[[346406]]

本文轉載自微信公眾號「三太子敖丙」，作者三太子敖丙 。轉載本文請聯系三太子敖丙公眾號。

 前言

亂碼這個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。

為什么會出現亂碼我們知道計算機里存儲的只會是 0 和 1 組成的字節流，而僅是數字滿足不了我們的需求，我們還需要文本的處理等等，但是計算機只認識數字，所以我們需要告訴計算機什么數字代表什么字符。

比如我指定 0000 代表 A，0001 代表 B 這樣計算機就知道了，所以我要把 AB 這兩個字符存入計算機的話，實際存儲的就是0000 0001，其實就等于把每個字符定制一個唯一的編碼。

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，那小明的計算機按照他指定的編碼方式存儲，就是 1000 1111，之后傳輸給我的計算機，我拿到1000 1111，按照我的編碼解出來可能就是 %& 了，這就亂碼了。

所以亂碼的本質就是編碼和解碼實現沒對應上。

有些同學可能對編碼和解碼的概念不太熟悉，我來解釋一下：

• 編碼：其實就是將字符按照一定的格式轉換成字節流的過程。
• 解碼：就是將字節流解析成字符。

可以看到隨意編碼的就會產生各自的計算機都無法正確解析的情況，所以需要有一個標準，大家都按那個標準來指定字符和數字的對應關系。

標準字符編碼

美國國家標準協會 ANSI 就制定了一個標準，即美國信息交換標準代碼(ASCII)，規定了常用字符集的集合和對應的數字編號，例如 65 表示 A。

ASCII 實際上是 7 位編碼，用二進制代碼表示就是 0000000~1111111，不過 1 個字節是 8 位，所以一般都用 8 位來存儲。可以看到 ASCII 代表了 128 個字符，這其實是傾美國的編碼，你看同樣講英文的英國，ASCII 上都沒英鎊的標記。

還有人家的韓文，日文等等，更別說咱們中文了。

1 個字節最多只能表示 256 個字符，所以對我們來說不夠用，因此需要擴展，像 GB2312 就是我們國家標準總局發布的《信息交換用漢字編碼字符集》，后來又發布了 GBK ，這個 K 就是擴展的意思，在 GB2312 的基礎上又添加了很多比如繁體字等字符。

所以說等于每個國家都有自己的標準，因為語言都是不同的，各字符集的不同就導致計算機之間文檔的交流非常困難，因此大家又開始了一波標準化。

像美國的 ANSI 組織制定了 ANSI 標準字符編碼，其實就是制定平臺默認的編碼，比如中國的操作系統就用 GBK ，如果是美國就用 ASCII，操作系統會預裝這些標準字符集。

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 Unicode，又稱統一碼、萬國碼、單一碼。

Unicode 字符集涵蓋了目前人類使用的所有字符，并為每個字符進行統一編號，分配唯一的字符碼，你看這種事情總得有人做，不然就沒法統一。

這里有幾個術語我解釋一下，讓大伙更加清晰一些。

• 字符：其實就像英文字母，或者我們的中文都叫字符
• 字符集：那就是字符和編號對應的集合
• 字符碼：就是字符集里面字符對應的數字，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字的映射關系，轉化成字節流的實現

對于 Unicode 而言有一點和之前的編碼不太一樣，它將字符集和編碼實現解耦了。

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現是綁死的，你可以理解成以前的編碼其實就是查表，有一個固定的表格里面存儲這字符和對應固定的二進制，比如 A 對應的編號是 65，其二進制序列就是 01000001。

而 Unicode 不一樣，它將字符集和字符編碼實現分開了，比如 A 對應的編號是 65，但是對應的二進制序列就不一定了，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。

這其實也是為什么我們現在常用 UTF-8 而不是 UTF-16 的原因，可以看到 UTF-16 編碼存儲效率較低，最少使用兩個字節，并且像 C 語言的很多函數都會將 0x00 字節作為字符串的停止符來解析，所以才搞了個 UTF-8，其使用 1~4 字節為每個字符編碼，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，畢竟語言多，一開始出了個 ASCII，但是對于其他國家來說不夠用，于是都各自進行了擴展。

而編碼多了各個國家之間難以做到統一，不易兼容，所以后來國際組織制定搞了個 Unicode 字符集，對所有字符做了統一的編排，并且為了使得編碼更加靈活把字符集和編碼實現分開來。

對了，為什么英文都不會出現亂碼就是因為絕大部分的字符集都是基于 ASCII 擴展的，所以都兼容 ASCII 。

本期就是應該算是一期比較有意思的科普系列，但是還是渴求你的點贊哈哈。