听说你的程序又双叒叕乱码了

来源：Python 技术「ID: pythonall」

在我刚开始接触编程的时候，时不时就会遇到程序乱码问题。亦或是控制台输出乱码，亦或是数据库乱码，亦或是网页端显示乱码，总之乱码无处不在，它总是会在不应该出现的时间点出现在在不应该出现的位置。

那么乱码究竟是怎么回事呢，为啥好端端的文字就变成一堆乱七八糟的符号了呢？

这时如果你去网上搜索乱码问题，你就会发现大量的文章向你扑面而来，看完之后你更加郁闷了，还是不明其中缘由，今天我们就来探究下程序究竟为什么会乱码？

ASCII 码

大家都知道计算机是从美国开始走向全世界的，最初的用途是服务于美国军方，用来帮助人类做一些复杂的数学运算，比如计算导弹弹道之类的。

后来随着计算机的发展，人们发现这个工具简直太好用了，事实再一次证明人类是多么的贪婪。他们有了更多的需求和欲望，比如想让计算机处理文字，控制打印机等。这时候就不像处理数学运算那么简单了，因为计算机内部都是 0 和 1 的二进制代码，怎么才能让计算机显示文字呢，于是发明计算机的大叔们搞了一个字符和数字的对应关系。我们知道虽然单词有很多个，但每个单词都是由 26 个字母组成的，区分大小写的话也才 52 个，1 个字节 8 位可以有 256 种状态，再加上数字和一些标点符号 1 个字节也足够了。

于是那些大叔们把从 0 开始的 32 种状态规定了特殊的用途，比如打印机换行，彩色打印。然后又把数字、标点符号、大小写字母等逐一编码，直到编写到 127 号，也就是共计 128 个编码。最后给这张编码表起了个逼格很高的名字，叫「ASCII 码」，也叫「美国信息交换标准代码」(American Standard Code for Information Interchange）。

比如，小写字母 a 对应的 ASCII 码值是 97，十六进制 0x61；数字 0 对应的 ASCII 码是 48，十六进制 0x30。「ASCII 码」是计算机编码的基石。后面所有的编码都是在此基础上完善的。

GBK 编码

后来随着时代的不断发展，计算机在全球范围内开始普及。日本，俄罗斯，中国等很多国家都开始使用计算机，但其他很多国家用的并不是英文呀，比如我们中国的汉字，跟英文的字母简直是天壤之别，而且仅常用的汉字就要有 3000+ 了，1 个字节 256 种状态怎么够用呢。

于是聪慧的中国人民发明了我们自己的编码系统，用两个字节来表示一个汉字或者字符。第一个字节称为「高位字节」（也称区字节），第二个字节称为「低位字节」（也称位字节）。但这两个字节是有限制的，「高位字节」使用范围为 0xA1-0xF7，「低位字节」使用范围为 0xA1-0xFE。

这样我们就可以组合出大概 8000 个左右的汉字了，对于日常使用来说是足够了。这套编码规则就是「GB2312」。

你知道的，中国文化博大精深，区区 8000 个汉字怎么够用，很多少数民族也迫切希望用上计算机，很多人名依然无法识别，于是不在对高位字节和低位字节做限制，只要发现第一个字节大于 127 就认为这是一个汉字的开始，为什么要大于 127 呢，因为要兼容「ASCII 码」呀，127 以内说明是该字节表示的是「ASCII 码」。

这样子 2 个字节 15 位大概可以表示 65536 - 127 个汉字。

然而香港和台湾并没有使用大陆的 GBK 编码规则，因为他们使用繁体字，所以就单独设计了一套自己的编码系统，叫做「Big5」表，也叫大五码或者五大码。

然后日本、韩国等不同国家也都设计了自己独有的编码规则，因为是各自独立设计，所以大概率不会出现一个字符在不同的编码系统中对应同一个数字。于是就会出出现乱码这种很诡异的现象。

比如，你的韩国女朋友给你发了一封电子邮件，里面的真实内容为「么么哒」，由于电子邮件是在韩国写的，所以计算机肯定是使用韩国的编码系统，假设这三个字对应的编码分别是 0xA6B2、0xA6B2、0xC132；当你收到邮件之后，因为你是在国内所以肯定是使用 GBK 编码来解码，那么将三个编码转换为汉字之后发现是「分手吧」。

相信此时的你肯定是一脸懵逼，然后就又开始怀疑是不是自己做错了什么。

天下大统

为了解决各国编码不统一的问题，国际标准化组织制定了一套新的规则，叫做「Unicode码」，这套编码规则就厉害了，可以将全人类所有的字符都包含进去，包括人类走出非洲时的所使用的象形文字都可以包含进来。

那么如果要想包含这么多的字符进来的话，至少需要三个字节才可以，三个字节可以存储三百多万个字符，这应该可以覆盖所有文化的字符了吧，如果还不够的话，就用四个字节来表示一个字符，这样可以组合出大概 21 亿个字符，可能用到地球毁灭那一天都用不完。

可是随之而来的是另外一个问题，由于欧美大多使用英文，一个字节足以表示，现在让他们用三个字节，就造成了空间的巨大浪费。浪费率高达 2/3，做过网络编程的小伙伴们都知道，在网络中数据的传输是需要很大的成本的，而且还不可靠，字节数越多，浪费的资源也就越多。

于是，在接下来的时间内，出现了多种「Unicode码」的具体编码方式，分别是 UTF-8、UTF-16、UTF-32，其中 UTF-8 占用一到四个字节，UTF-16 占用二到四个字节，UTF-32 占用四个字节。显然  UTF-8 的设计更合理，欧美字符用一个字节来存储，中文或者其他字符用二个或者三个字节来存储，岂不美哉。

自此，天下大统。呃，不，是计算机编码得以大统，世上再无乱码。

总结

今天我们详细介绍了编码的历史，以及乱码的缘由，下次遇到乱码问题再也不慌了。