一文搞懂字符编码问题，从此告别中文乱码

在中文的语言环境里，身为程序员的我们一定会遇到过中文乱码的情况，究其原因就是字符编码的问题。在没有深入理解其原理之前，会觉得中文编码问题比较谜，莫名其妙地乱码，又稀里糊涂地好了。

字符编码是计算机技术的基石，本文希望帮助大家彻底梳理清楚字符编码问题，不仅知其然，还知其所以然，摆脱被中文乱码支配的感觉。

在讲解中文编码问题之前，我们需要先讲讲英语编码，其解决方案是ASCII。

ASCII

ASCII的英文全称是American Standard Code for Information Interchange，中文意思是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，使用8位二进制表示字符。

在计算机内部，所有信息最终都是一个二进制值。每一个二进制位（bit）有0和1两种状态，因此8个二进制位就可以组合出256种状态，这被称为一个字节（byte）。

换句话说，一个字节可以表示256种不同的状态，每一个状态对应一个符号，也就是256个符号，从0000 0000到1111 1111，其数量计算公式：。

列举一部分ASCII码表，如下所示：

英语是由26个基本拉丁字母、阿拉伯数字和英式标点符号组成，因此用128个符号就足够l了，但ASCII码对于其他一些复杂的语言，就力不从心了，比如：汉字大约将近10万个（虽然没有准确的数字，但日常使用汉字也有几千字）。

一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。为了正确显示中文字符，在1981年5月1日，由中国国家标准总局发布了《信息交换用汉字编码字符·基本集》，通常简称GB。

GB类

中国大陆几乎所有的中文系统和国际化的软件都支持GB2312。GB2312是简体中文常见的编码方式，使用两个字节表示一个汉字，所以最多可以表示个符号。

GB2312标准共收录6763个汉字，其中一级汉字（常用字）3755个，二级汉字（较不常用）3008个，同时收录了包括拉丁字母、希腊字母、日文平假名及片假名字母、俄语西里尔字母在内的682个字符。

GB2312基本满足了计算机处理简体汉字的需求，所收录的汉字覆盖了99.75%的使用频率，但对于罕见字和繁体字，GB2312就不能处理了。因此发明了后来的GBK和GB18030。

它们之间的关系如下图所示：

GBK编码是GB2312编码的超集，向下完全兼容GB2312，兼容的含义是不仅字符兼容，而且相同字符的编码也相同。而GB18030编码向下兼容GBK和GB2312，GB18030编码是变长编码。

但很多像GB类的编码方式都有一个共同的问题，允许计算机处理双语环境，即拉丁字母和本地语言，却无法同时支持多语言环境，即多种语言混合的情况。Unicode就是为了解决这个问题而诞生的方案。

Unicode

世界上存在着多种语言，比如：西班牙语、韩语、俄语等等，它们也都分别有各自的编码方式，所以同一个二进制数字可以被解释成不同的符号。如果想要正确的打开一个文本文件，就必须知道它的编码方式，否则就会出现乱码。

假如有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是Unicode，一种所有符号的编码。

Unicode伴随着通用字符集的标准而发展，当前最新的版本为2019年5月公布的12.1.0，已经收录超过13万个字符。Unicode涵盖的数据除了视觉上的字形、编码方式、标准的字符编码外，还包含了字符特性，如大小写字母。

然而，Unicode只是一个符号集，不代表计算机里的编码，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。

因此，导致了两个问题：

• 计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？
• 英文字母只用一个字节表示就够了，但按照Unicode规定，每个符号要用3个或4个字节表示，那么英语文本的存储空间将扩大3到4倍，是极大的浪费。

随着互联网的发展，不同国家的信息越来越多地在网络中传播，强烈需要一种统一的编码方式，UTF-8就是在互联网上被广泛使用的一种Unicode实现方式。

UTF-8

再次强调一下，UTF-8是Unicode的实现方式之一，并不是唯一，也不等同于Unicode。除了UTF-8，还有UTF-16和UTF-32，只是很少被使用。

UTF-8的特点是对不同范围的字符使用不同长度的编码，它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。

其编码规则很简单：

• 对于单字节的符号，字节的第一位设为0，后面7位为这个符号的Unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。
• 对于n字节的符号（n>1)，第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10，剩下的没有提及的二进制位，全部为这个符号的Unicode码。

Unicode与UTF-8的字节对应关系：

以“爱”为例，其的Unicode是U+7231，是在U+0800～U+FFFF范围内，所以采用3个字节进行编码，其二进制为01110010 00110001。

那么用UTF-8表示，则如下图所示：

后记

计算机操作系统中的编码：

• Windows下中文的默认编码是GBK（GB2312）
• Linux下中文的默认编码是UTF-8

如果使用的是Linux系统，可以通过如下命令，查看系统中文编码：

echo $LANG
en_US.UTF-8

如果想要查看文件的原始编码，并且转换编码，可以使用enca命令，可以通过apt-get install enca进行安装。

enca -L zh_CN <file>  # 查看文件的编码
enca -L zh_CN -x UTF-8 <file>  # 将文件编码转换为UTF-8编码
enca -L zh_CN -x UTF-8 <file_1> <file_2> # 保留原始文件

字符编码选择建议：

1. 只有英文，选择ASCII
2. 主要存中文，对存储大小比较敏感，选择GB2312
3. 通用性第一，处理简单，选择UTF-8

最后，安利大家一本我写的掘金小册《深入理解NLP的中文分词：从原理到实践》，让你从零开始掌握中文分词技术，踏入NLP的大门。如果以上内容对你有所帮助，希望你能够点赞、转发、评论，多谢多谢！