windows 文本文件编码-16.11.26

《windows 文本文件编码-16.11.26》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

Windows文本文件编码Hanford2016年11月26日 目录目录第1章说明11ANSI编码22UTF16BE编码23UTF16LE编码24UTF-8编码25BOM36乱码37总结5I 第1章说明第1章说明如下图所示，在记事本里输入“编码”，然后另存为的时候，有四种编码：图1按下表所示，四种编码存为四个文件：编码文件名ANSIA.txtUnicodeU.txtUnicodebigendianUB.txtUTF-8U8.txt使用VC++6.0或VisualStudio以二进制方式打开这四个文件。二进制编码一目了然，如下图所示：图25 第1章说明1ANSI编码A.txt有四个字节：B1E0C2EB。其中B1E0是“编”的GBK编码，C2EB是“码”的GBK编码。所以，记事本里的ANSI编码，对于简体中文操作系统而言，就是GBK编码。对于繁体中文操作系统而言，就是Big5编码……2UTF16BE编码UB.txt有六个字节：FEFF7F167801。其中FEFF是BOM（ByteOrderMark），暂时不用管它。0x7F16是“编”的Unicode编码，0x7801是“码”的Unicode编码。UTF16BE编码是16位（2字节）的Unicode编码，BE表示bigendian，即高位字节在前，低位字节在后。Unicode编码0x7F16的高位字节是7F，低位字节是16，UTF16BE编码就是7F16。3UTF16LE编码U.txt有六个字节：FFFE167F0178。其中FFFE是BOM，暂时不用管它。0x7F16是“编”的Unicode编码，0x7801是“码”的Unicode编码。UTF16LE编码是16位（2字节）的Unicode编码，LE表示littleendian，即低位字节在前，高位字节在后。Unicode编码0x7F16的高位字节是7F，低位字节是16，UTF16LE编码就是167F。可见：UTF16LE与UTF16BE只是高低位字节交换了一下而已。4UTF-8编码U8.txt有九个字节：EFBBBFE7BC96E7A081。其中EFBBBF是BOM，暂时不用管它。E7BC96是“编”的UTF-8编码，E7A081是“码”的UTF-8编码。5 第1章说明5BOMBOM是ByteOrderMark的缩写，它用来指明编码，如下所示：BOM编码FEFFUTF16BEFFFEUTF16LEEFBBBFUTF-8上面的FEFF和FFFE正好逆序，这也就是ByteOrderMark（字节顺序标记）的来由吧。6乱码记事本通过BOM来区分各种编码，为什么不给ANSI搞个BOM？原因在于——向下兼容。从DOS到Win98，文本文件都是ANSI编码，都没有BOM。为了能够顺利的打开这些文件，不能增加BOM。通过BOM来区分各种编码，是一个非常好的想法。不过，没有历史包袱的Linux不买账——Linux默认就使用UTF-8编码，而且是没有BOM的UTF-8编码。为了能够打开Linux生成的没有BOM的UTF-8编码文件，记事本在打开没有BOM的文本文件时，会对其进行检查。如果所有编码符合UTF-8，就以UTF-8编码打开。把Error!Referencesourcenotfound.中的“编码”替换为“联通”，另存为ANSI编码。再次打开，显示如下图所示：图3使用VC++6.0打开这个文件，一切正常，如下图所示：图45 第1章说明记事本显示乱码，是因为它会把“联通”的GBK编码C1AACDA8当做UTF-8编码进行显示；VC++6.0没有显示乱码，是因为它不支持UTF-8编码，只支持ANSI编码。有哪些汉字的GBK码会被当做UTF-8编码呢？一段MFC代码就让它们原形毕露了：CFilef;if(f.Open(_T("W:\1.txt"),CFile::modeCreate|CFile::modeWrite)){f.Write("：r ",4);//这句很重要，否则记事本打开后显示乱码intq=0;//区码intw=0;//位码intc=0;BYTEn[2];//内码for(q=0x81;q<=0xFE;++q){n[0]=q;for(w=0x40;w<=0xFE;++w){n[1]=w;if(n[0]>=0xC0&&n[0]<=0xDF&&n[1]>=0x80&&n[1]<=0xBF){f.Write(n,2);if(++c>=40){c=0;f.Write("r ",2);}}}}f.Close();}运行结果如下：5 第1章说明图5这样的汉字竟然有2048个。除了“联通”还有如下常见的汉字：乾坤、学习、史实、母女、孝顺、鲁莽、矛盾、沉默、诗词、脚趾、拇指、农忙、投石、泰山、水帘、矢量、粮食、太平、谦逊、尧舜、一十百千注意：上图第一行的全角冒号很重要，就是因为它的存在，记事本才不会误判编码为UTF-8，也就不会乱码显示了。类似的字符还有很多，如下所示：，、：；“”。！……——【】■□▲△◆◇○◎●★☆←↑→↓7总结Windows下，文本文件有五种编码：ANSI、UTF16BE、UTF16LE、UTF-8有BOM、UTF-8无BOM（仅读取时支持该编码）。另存为ANSI编码时，因为没有BOM，所以有可能会被记事本、UltraEdit等文本编辑器当做无BOM的UTF-8编码，导致显示乱码。生成的文本文件除非要用于Win98，否则最好使用UTF-8编码保存。某些软件，如：AndroidStudio强制要求源代码文件使用无BOM的UTF-8编码。对于这类文件，可使用记事本查看，不要保存。否则前面三个字节的BOM（EFBBBF）删除起来还是比较麻烦的。为了方便的在这五种编码之间相互转换，可参考笔者的博文：http://blog.csdn.net/hanford/article/details/5