什么是“锟斤拷”？我竟答不上来......

“

周末女朋友出去逛街了，我自己一个人在家看综艺节目，突然，女朋友给我打来电话。

图片来自 Pexels

过了一会，女朋友回来了，她拿出手机，给我看了她在超市拍的照片：

要想知道什么是乱码，需要先从计算机编码说起。

字符编码和 ASCII

我们经常看一些谍战剧，谍战剧里敌特、地下党员以及八路军各部间发送情报的时候，一般都是通过电报发送的。

电报在传递的过程中，需要发报员用电键发出长短不一的电码，收报员就会听到电报机发出的滴滴滴答答答的声音。

其实电报发出的声音都是"滴"和"答"的组合，"答"的声音是"滴"的三倍长。

发报员要先通过一种方式，将想要发送的情报转成电报的滴答声，收报员在听到滴答声之后，再将它们翻译成正常的文字。这个过程就是字符编码和字符解码。

谍战剧中将情报转成电报的"滴"和"答"声主要通过摩尔斯电码，这是一种通过不同的排列顺序来表达不同的英文字母、数字和标点符号的字符编码方式。

莫尔斯电码由短的和长的电脉冲（称为点和划）所组成。点和划的时间长度都有规定，以一点为一个基本单位，一划等于三个点的长度。正好对应上电报的"滴"和"答"。

就像电报只能发出"滴"和"答"声一样，计算机只认识 0 和 1 两种字符，但是，人类的文字是多种多样的，如何把人类的文字转换成计算机认识的 01 字符呢，这个过程同样需要通过字符编码。

字符编码（Character encoding）是一套法则，使用该法则能够对自然语言的字符的一个集合（如字母表或音节表），与其他东西的一个集合（如号码或电脉冲）进行配对。

和摩尔斯电码功能类似，上个世纪 60 年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定，这被称为 ASCII 码，一直沿用至今。

ASCII（American Standard Code for Information Interchange，美国信息交换标准代码）是基于拉丁字母的一套计算机编码系统。

它主要用于显示现代英语，其中共有 128 个字符，包含了所有的大写和小写字母，数字 0 到 9、标点符号， 以及在美式英语中使用的特殊控制字符等。

由于 ASCII 只有 128 个字符，虽然对于英文字符都可以表示了，但是世界上还有很多其他的文字他是没办法表示的，所以需要一种更加全面的字符编码。

在介绍其他的字符编码之前，我们先来说一下一个计算机领域通用的字符集。

Unicode

Unicode（中文：万国码、国际码、统一码、单一码）是计算机科学领域里的一项业界标准。

它对世界上大部分的文字系统进行了整理、编码，使得计算机可以用更为简单的方式来呈现和处理文字。

Unicode 至今仍在不断增修，每个新版本都加入更多新的字符。目前最新的版本为 2019 年 5 月公布的 12.1，这一版本只新增了 1 个字符，即日本新年号令和的合字。

Unicode 备受认可，并广泛地应用于计算机软件的国际化与本地化过程。有很多新科技，如可扩展置标语言（Extensible Markup Language，简称：XML）、Java 编程语言以及现代的操作系统，都采用 Unicode 编码。

Unicode 是一套通用的字符集，包含世界上的大部分文字，也就是说，Unicode 是可以表示中文的。

UTF-8，UTF-16，UTF-32

Unicode 虽然统一了全世界字符的编码，但没有规定如何存储。这么做是有考虑的：如果 Unicode 统一规定，每个符号就要用 3 个或 4 个字节表示，因为字符太多，只能用这么多字节才能表示完全。

一旦这么规定，那么每个英文字母前都必然有 2 到 3 个字节是 0，因为所有英文字母在 ASCII 中都有，都可以用 1 个字节表示，剩余字节位置就要补充 0。

如果这样，文本文件的大小会因此大出二三倍，这对于存储来说是极大的浪费。

为了解决这个问题，就出现了一些中间格式的字符集，他们被称为通用转换格式，即 UTF（Unicode Transformation Format）。

常见的 UTF 格式有：

• UTF-7

• UTF-7.5

• UTF-8

• UTF-16

• UTF-32

UTF-8：使用 1 至 4 个字节为每个字符编码，UTF-16：使用 2 或 4 个字节为每个字符编码，UTF-32：使用 4 个字节为每个字符编码。

所以我们可以说，UTF-8、UTF-16 等都是 Unicode 的一种实现方式。

举个例子，Unicode 规定了 1 个中文字符 "我"对应的 Unicode 是 "\u6211"，但是，在 UTF-8 和 UTF-16 等不同的实现方式下，这个二进制 Code 的存储方式是不一样的。

UTF-8 使用可变长度字节来储存 Unicode 字符，例如 ASCII 字母继续使用 1 字节储存，重音文字、希腊字母或西里尔字母等使用 2 字节来储存，而常用的汉字就要使用 3 字节。辅助平面字符则使用 4 字节。

GBK，GB2312，GB18030

因为 UTF-8 是 Unicode 的一种实现，所以他包含了世界上的所有文字的编码，他采用的是 1-4 字节进行编码。

对于那些排在前面优先纳入的文字，可能就优先使用 1 字节、2 字节存储了，对于后纳入的文字，就要使用 3 字节或者 4 字节存储了。

正是因为他太全了，所以那些晚一些纳入的字符，在 UTF-8 中的存储所占的字节数可能就会多一些，那他的存储空间要求就会很大。

对于常用的汉字，在 UTF-8 中采用 3 字节进行编码，但是如果有一种只包含中文和 ASCII 的编码的话，就不需要使用 3 个字节，可能 2 个字节就够了。

对于大部分网站来说，基本都是只服务一个国家或者地区的，比如一个中国的网站，一般会出现简体字和繁体字以及一些英文字符，很少会出现日语或者韩文的。

也是出于这样的考虑，中国国家标准总局于 1981 年制定并实施了 GB 2312-80 编码，即中华人民共和国国家标准简体中文字符集。

后来厂商微软利用 GB 2312-80 未使用的编码空间，收录 GB 13000.1-93 全部字符制定了 GBK 编码。

有了标准中文字符集，如果是一个纯中文网站，就可以采用这种编码方式，这样可以大大节省一些存储空间的。

常用的中文编码有 GBK，GB2312，GB18030 等，最常用的是 GBK。

GB2312（1980 年），16 位字符集，收录有 6763 个简体汉字，682 个符号，共 7445 个字符：

• 优点：适用于简体中文环境，属于中国国家标准，通行于大陆，新加坡等地。

• 缺点：不兼容繁体中文，其汉字集合过少。

GBK（1995 年），16 位字符集，收录有 21003 个汉字，883 个符号，共 21886 个字符：

• 优点：适用于简繁中文共存的环境，为简体 Windows 所使用，向下完全兼容 GB2312，向上支持 ISO-10646 国际标准 ；所有字符都可以一对一映射到 Unicode 2.0 上。

• 缺点：不属于官方标准和 big5 之间需要转换；很多搜索引擎都不能很好地支持 GBK 汉字。

GB18030（2000 年），32 位字符集；收录了 27484 个汉字，同时收录了藏文、蒙文、维吾尔文等主要的少数民族文字：

• 优点：可以收录所有你能想到的文字和符号，属于中国最新的国家标准。

• 缺点：目前支持它的软件较少。

乱码

我们还拿前面介绍过的发电报的例子来说，假设有以下场景：发报员使用“美式摩尔斯电码”将情报转换成电报，收报员接收到电报之后，通过“现代国际摩尔斯电码”进行破译。那么得到的情报内容就可能完全看不懂，这就是乱码了。

就像在计算机领域，我们把一串中文字符通过 UTF-8 进行编码传输给别人，别人拿到这串文字之后，通过 GBK 进行解码，得到的内容就会是“锟届瀿锟斤拷雮傡锟斤拷直锟斤拷锟”，这就是乱码。

如以下代码：

public static void main(String[] args) throws UnsupportedEncodingException {
    String s = "漫话编程！";

    byte[] bytes = s.getBytes(Charset.forName("GBK"));

    System.out.println("GBK编码，GBK解码：" + new String(bytes, "GBK"));

    System.out.println("GBK编码，GB18030解码：" + new String(bytes, "GB18030"));

    System.out.println("GBK编码，UTF-8解码：" + new String(bytes, "UTF-8"));
}

输出结果：

GBK编码，GBK解码：漫话编程！
GBK编码，GB18030解码：漫话编程！
GBK编码，UTF-8解码：????????

可以看到，将中文字符，通过 GBK 编码，再使用 UTF-8 解码，得到的字符就是一串问号，这就是乱码了。

锟斤拷的前世今生

因为 Unicode 是一直在更新的，在这个过程中，肯定有一些比较新的字符他是无法表示的。

或者即使 Unicode 发布了新版纳入了某个文字，但是很多软件系统并未升级也会有这样的问题。

就像生活中一些手机厂商新出的那些 emoji 表情，在自己的手机上可以正常显示，发到其他品牌的手机上可能就无法显示。这其实也是字符集不支持导致的。

发生以上情况时，无法显示的时候也需要有一个字符来表示的，在 Unicode 中，这个字符就是 � ，他也是 Unicode 中定义的一个特殊字符。

也就是"0xFFFD REPLACEMENT CHARACTER"，所有无法表示的字符都会通过这个字符来表示。

Unicode 官方有关于这个符号的介绍，从上表中可以看到，他的 10 进制表示是 65533，在 UTF-8 下，他的 16 进制形式是'0xEF 0xBF 0xBD'（三个字节）。

如果有两个连续的字符都无法显示，如"� �" ，那么在 UTF-8 编码下，16 进制表示为：

0xEF 0xBF 0xBD 
0xEF 0xBF 0xBD

以上这段编码，如果放到 GBK 中进行解码的话，因为 GBK 中一个汉字两个字节，那么结果就是：

0xEF 0xBF, 0xBD 0xEF, 0xBF 0xBD

即：

0xEFBF
0xBDEF
0xBFBD

那么，如果展示出来，就是：锟（0xEFBF），斤（0xBDEF），拷（0xBFBD）。

所以，以后再见到锟斤拷，第一时间想到 UTF-8 和 GBK 的转换问题准没错。

除了锟斤拷以外，还有两组比较经典的乱码，分别是"烫烫烫"和"屯屯屯"，这两个乱码产生自 VC，这是 Debug 模式下 VC 对内存的初始化操作。

VC 会把栈中新分配的内存初始化为 0xcc，而把堆中新分配的内存初始化为 0xcd。把 0xcc 和 0xcd 按照字符打印出来，就是烫和屯了。

作者：漫话编程

编辑：陶家龙、孙淑娟

出处：转载自微信公众号：漫话编程（ID：mhcoding）

精彩文章推荐：