理解计算机的编码系统

我之前的很多关于计算机的疑问，包括启动，编译，程序的执行等疑问，在我对”编码“的理解加深了一步之后，我整个都豁然开朗的感觉。

最开始学C语言或者计算机的时候，都会听到ASCII码。

那么到底怎么理解ASCII码，以及后来的unicode,中国的编码系统GB2312呢？

我们来做实验。

以ASCII编码形式的存储，以及记事本的打开文本文件的过程

首先来看ASCII表格，作为对照。来自网上搜索的图片。



我新建一个文件，在windows下。没有后缀名。用notepad打开

第一以文本查看，“Ab123回车”（回车是指我输入的时候按回车键）



第二以hex，二进制方式查看(hex deitor,)十六进制形式。



以二进制查看的时候，我们可以对照ASCII表来查看，字母A，对应的ASCII表示0100 0001（十六进制表示0x41）.下面的字母b,数字123同样可查。

0d,0a一个回车，一个换行。

注意：要理解回车和换行的区别，需要了解早期的打印机与早期的计算机。以为按下回车键，同时又换行又回车。那么其实回车，在最早的电传打印机上，回车仅仅是光标从行末切换到行首。而如果不换行的话，接着打印，会覆盖之前的输出。换行就是移动纸，让纸往上移动一行，不要覆盖之前打印的。

当我们文本编辑时候，按下回车按键，其实在编码里，编入了0d,0a两个编码值。留意下文本的大小，7bytes.

其实没有换行的时候，是5bytes.

这一点在linux下，是不一样的。在linux下vi -b file,再输入：%！xxd



最后加了两个0a.

我这里没有MAC电脑，不然可以贴张图片。苹果电脑操作系统对回车换行的处理也不一样。

苹果操作系统，会是两个0d.

为什么会这样子呢？

电传打印机出现早于计算机，后来在计算机文档上面也有类似”回车，换行“的需求，因为文档不可能没有新的一行。

那时候存储器非常昂贵，早期的计算机科学家觉得应该不应该浪费这两个字符的空间。就出现了分歧。

Dos和windows采用回车+换行CR/LF表示下一行,(0d 0a)

而UNIX/Linux采用换行符LF表示下一行，(0a 0a)

苹果机(MAC OS系统)则采用回车符CR表示下一行.(0d  od)

关于这个回车换行的区别，也会给文档在不同平台的显示带来不便。windows下的文档在linux打开会出现很多^M类似的。

在不同平台间使用FTP软件传送文件时, 在ascii文本模式传输模式下, 一些FTP客户端程序会自动对换行格式进行转换. 经过这种传输的文件字节数可能会发生变化. 如果你不想ftp修改原文件, 可以使用bin模式(二进制模式)传输文本.

那二进制文件与ASCII文件的区别是什么呢？第三部分再详细分析

所有字符存储的是以二进制的，那么记事本或者notepad打开这个文档的时候。首先读取文件物理上所对应的二进制比特流，然后按照你所选择的解码方式来解释这个流，然后将解释结果显示出来。那所以当编码格式与解码的格式不一致，不兼容的时候，就会出现乱码的情况。

中文编码GB2312

首先先找到一个GB2312编码表。



我们理解了编码与解码就进一步想，计算机出现初期，是没有中文编码的。

如果我以二进制的编码形式编辑二进制文档，再notepad打开，选择GB2312形式解码，那就应该显示中文。



notepad打开



与GB2312表上显示一样。

那反过来，我以hex编辑器自己对照着GB2312文档编辑，那也可以写文章啊，写本小说，没问题，但是基本没有人愿意这么做吧，太累了。

文档编辑器的作用就是我们的输入，文档编辑器自动编码存储，同时打开的时候根据选择的编码系统解码并显示。

查看文档大小，占用空间6bytes .与我们常常听说一个中文字符占用两个bytes.这下我们理解为什么占用2bytes .

当然编码规范很多很多，unicode, utf8等不一而足。

我们理解了编码 是怎么回事，就可以了。

二进制文件与ASCII文件。

二进制文件与ASCII文件（文本文件）的区别在物理存储上是没有任何区别的，都是二进制。

区别在于了逻辑上对于这些0101的解析。

说白了就是，这些010100等代表什么意思。

上面我们以二进制形式打开，编辑，再存储，如果我们不使用文档编辑器打开，那它就是二进制文件。

网上有一个例子，比如一个数字5678，存储在计算机里，以ASCII编码形式，那就是四个字符 5，查找ASCII表，是0x35,二进制数00110101.

依次查出来编码是00110101 00110110 00110111 00111000  。存储在存储器里。占用4个字节。

以二进制形式怎么存储，他们说是00010110 00101110 （两个字节），这个是把5678（五千六百七十八转为二进制形式表示的）。

可以这么理解，但是上面4个字节也是二进制形式的嘛，为什么不是二进制文件？如果不是文本编辑器以ASCII编码格式打开，谁也不知道这个表示的是5678.

所以说，个人认为，没有指定编码规则的二进制文件，讨论是二进制文件还是ASCII文件是无意义的。

在一定的编码规则基础上，这些编码才有意义。

我个人理解，ASCII文本文件是二进制文件下一种，确定了编码规则的文件。

这篇文章对这个问题有比较详细的讨论，链接如下

http://www.nowamagic.net/librarys/veda/detail/658

编程测试了C语言读取二进制文件，与ASCII编码的文件。在最后回车换行的地方有细微的差异。

#include <stdio.h>
#include <sys/stat.h>
#include <fcntl.h>
#include <st
c19f
dlib.h>
int main()
{
int i;
FILE *pf1;
char c,a[6];
//pf1 = fopen("file","r");
pf1 = fopen("file.txt","rb");
for(i=0;i < 6;i++){
fread(&a[i],1,1,pf1);
printf("%0X ",a[i]);
}
fclose(pf1);//关闭文件

}

文档内容就是Ab123\r\n(回车)，二进制如图



一个是r 一个是rb(rb是二进制形式)



C的文本方读写与二进制读写的差别仅仅体现在回车换行符的处理上。文本方式写时，每遇到一个''n''(0AH换行符)，它将其换成''r n''(0D0AH，回车换行)，然后再写入文件；

当文本读取时，它每遇到一个''rn''将其反变化为''n''，然后送到读缓冲区。

所以文本形式读取时候（readfile3-r），虽然二进制编码是0d（\r） ,0a(\n),先转为\n,然后输出，所以输出是0A.

而二进制读取时候，a[5]就是0d，输出也是0d.

LINUX下测试。



由于二进制表示时候linux下只有0a，所以两种形式都是0a.

其实要说明的是UNIX和LINUX不像DOS与windows那样区分文本文件与二进制文件。

LINUX把所有文件看成二进制文件。

windows下用另外一个函数打开。

windows下用open函数打开文档，读取。

是以文件形式打开的。linux下使用这个open 函数，输出与使用file open一样。（其实也 不会有差别，因为二进制文件无差别。）