計算機是如何存盤字符的？
? 大學都學過計算機相關的基礎知識，計算機只能計算二進制資料，因為二進制表示起來最方便，計算機電子元器件表示兩個狀態很簡單，比如高壓和低壓，對應的就是1和0，如果設計出10種狀態，那么計算機的設計會相當復雜，
? 計算機想存盤我們現實世界的字符，也就是我們常用的漢子或者字母，最簡單的方法就是把每個字符都對應一個數字，數字都能轉為二進制，這樣相當于計算機間接的存盤了字符，實際上，計算機科學家們也的確是這么做的，由此，便誕生了各種字符集，各個國家的字符都有對應的數字，
都有哪些字符集
? 計算機發明之初，沒有考慮那么多，作為現代計算機的發源地，當時也只考慮了美國的需求，所以只需要128個字符，稱之為ASCII編碼或者ASCII字符集（叫法不同而已，但是我覺得叫字符集更準確），128個字符，如果用數字一一對應，一共只需7位二進制數字，計算機存盤的最小單位是byte，即8位，ASCII字符集把最高位設定為0，用剩下的7位來表示字符，下圖便展示了ASCII中，數字與字符的對應關系，
? 圖中把ASCII字符集分為了兩大部分，列印和非列印，列印部分好解釋，就是會輸出在顯示設備上的，可以看看我們的鍵盤上，一般也都會有這些字符，非列印部分更多的是控制目的，比如NUL表示空字符，\n表示換行，\r表示回車等，
? 對于美國來說，ASCII是夠用了，但是其他很多國家顯然就不夠用了，下面簡單說說一些常見的，ISO 8859-1和Windows-1252，這兩個都加入了西歐字符，兩者基本一樣，ISO 8859-1號稱是用于西歐國家的標準字符集，但是Windows-1252更常用些，
? 中文的第一個標準字符集是GB2312，有大約7000個漢字和一些罕用詞和繁體字，其使用兩個位元組表示漢字，GBK建立在GB2312的基礎上，并向下兼容，共計包含了21000個漢字，其中包含了繁體字，GB18030進一步增強了GBK，同樣可以向下兼容，共包含了76000個字符，其中有很多少數民族字符，以及中日韓統一字符，但是兩個位元組已經表示不了GB18030中的所有字符了，GB18030使用了長編碼，有的字符是兩個位元組，有的是四個位元組，兩個位元組的編碼中，表示范圍和GBK一樣，除了以上表示中文的字符集外，還有個Big5，是針對繁體字的，廣泛應用于灣灣省和香港那邊，
? 前面說了這么多，是不是覺得很麻煩，不同的國家地區，還得用不用的字符集，前面講到的所有字符集統稱為非Unicode字符集，為了解決每個國家不同字符集間的不兼容現狀，便有了Unicode字符集，它做了一件事，就是給世界上所有字符都分配了一個唯一的數字編號，有110多萬，但大部分都在0x0000~0xFFFF之間，即65536個，
? **這些數字編號一般用16進制表示，但是要注意，只是分配了個數字編號，并不像上面的非Unicode字符集一樣，這個數字也表示字符對應的二進制，**至于Unicode字符集中，每個字符對應的二進制是多少，有幾種不同的方案，主要有UTF-8、UTF-16、UTF-32，
? UTF-32最簡單，也符合我們的正常邏輯，數字編號的二進制形式，就是這個字符對應的二進制，缺點就是，每個字符都用四個位元組表示，顯然對于常用字符這是非常浪費的，UTF-16和GB18030一樣，有個用兩個位元組有的用四個位元組，UTF-8使用最廣，其使用的是變長位元組，每個字符使用的位元組個數與Unicode中的數字編號有關，編號小的用的位元組就少，編號大的用的位元組就多，位元組個數從1～4不等，
亂碼怎么恢復
? 看到這里，為什么亂碼相信你肯定知道了，無非就是使用了不同的字符集，導致決議錯誤，那么該怎么恢復亂碼呢？如果你知道原編碼方式最好，直接切換成對應的字符集即可，比如在一些可以切換編碼方式的文本編輯器里、HTML的原資訊設定、IDE的設定等，
? 但是如果不知道的話，也沒什么太好的方式，只能一個個嘗試了，我們可以寫個簡單的小程式，通過遍歷常見字符集，來試著決議出亂碼的原有格式，以Java為例：String newStr = new String(str.getBytes(charsets[i]),charsets[j])，這句代碼的意思就是：假設亂碼str原來是charsets[j]編碼的，被錯誤決議為charsets[i]編碼的，在嘗試前，切記要對原檔案做備份，因為多次錯誤的決議和轉換，可能很難再恢復成正常的字符了，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/291644.html
標籤：其他