中文乱码
![本页使用了标题或全文手工转换](http://images.weserv.nl/?url=//upload.wikimedia.org/wikipedia/commons/thumb/c/cd/Zh_conversion_icon_m.svg/35px-Zh_conversion_icon_m.svg.png)
![]() |
中文乱码是电子资讯系统的中文无法正确显示文字符号的一种现象,在中文内码未有标准时情况尤其严重[1]。
“万码奔腾”的年代
在过去,由于繁体中文用户缺乏一个具有号召力的内码标准,不同用户都会使用各自的标准。比较普遍的是银行由于主要使用IBM的商业电脑,很自然地亦选择了IBM 5550作为其内码标准。这些用5550内码的文件,一旦下载到电脑上,若要转寄与其他人使用,就要透过转码换成Big5,其他人才可以阅读。
另一方面,在会计界有不少人都直接使用外国的专门软件,而为免冲码问题使画面凌乱,不少的IT部门都把公司电脑的内码换成倚天码。本来会计人员过去只是把计算结果打印而提交报告,并未有任何问题。到后来随着电子表格的兴起,用户才发觉到当公司与外界使用的内码不同,会引起不少问题,乱码的问题才开始得到重视。
中文Big5码被误认为EASCII
欧洲生产的某些电脑并无法识别Big5双位元字码的中文字符,相反的,它们会把位于00到7F间的字码视为ASCII,而80到FF间的字码则视为EASCII,例如:
中文字 | 維 | 基 | 百 | 科 | 中 | 文 | 大 | 五 | 碼 | |||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Big5码的高位/低位位元 | BA | FB | B0 | F2 | A6 | CA | AC | EC | A4 | A4 | A4 | E5 | A4 | 6A | A4 | AD | BD | 58 |
对应的ASCII/EASCII字符 | º | û | ° | ò | ¦ | Ê | ¬ | ì | ¤ | ¤ | ¤ | å | ¤ | j | ¤ | | ½ | X |
也因此,中文字符串“維基百科中文大五碼”会显示为乱码“ºû°ò¦Ê¬ì¤¤¤å¤j¤ ½X”。
UTF-8与Big5的相互转换
随着UTF-8的普及化,许多繁体中文的IRC频道也逐渐从Big5转变成UTF-8;然而在这种过渡时期中,仍然有不少IRC频道是采用Big5的,所以用户参与了新的频道时,通常会想要先确定自己的字符编码有没有设错,人们最常用的测试字眼不外乎:
编码 | 内容 | ||
---|---|---|---|
UTF-8 | 中文 | 測試 | 導航 |
Big5 | 銝剜�� | 皜祈岫 | 撠舘⏛ |
嚙踝蕭乱码问题
当一段大五码文本被错误地以UTF-8解码再编码再以大五码解码,由于在被以UTF-8解码时的无效字符被以Unicode的“未识别字符(U+FFFD)”作为内码记录,而那替代字符的UTF-8编码的十六进制为“EF BF BD
”。当那替代字符因为按UTF-8解码会出现大比例的无效字符而令其大片大片地出现,进而在被UTF-8再编码再以大五码解码后读码框取到UTF-8替代字符的编码的第一个字节和第二个字节的十六进制“EF BF
”解码得到“嚙”字,接下来的读码框横跨两个UTF-8替代字符取到第一个UTF-8替代字符的第三个字节和第二个UTF-8替代字符的第一个字节的十六进制“BD EF
”解码得到“踝”字,再接下来的读码框取到第二个UTF-8替代字符的第二个字节和第三个字节的十六进制“BF BD
”解码得到“蕭”字,连起来就是“嚙踝蕭”。这样的情况反复出现就令其中出现大量“嚙踝蕭”字样。并且由于在被以UTF-8解码时所出现的各种无效字符与有效字符的各种组合,再以大五码解码后其中会有许多不是出现在“嚙踝蕭”子序列中的“嚙”、“蕭”字样。
另外其他编码的非UTF-8文本或非文本二进制数据被错误地以UTF-8解码再编码再以大五码解码也会如上产生嚙踝蕭乱码,然而由于原字节序列的特征会部分地传递至以UTF-8解码后所产生的中间阶段乱码,这样因此由这些方式产生的乱码跟大五码文本被错误地以UTF-8解码再编码再以大五码解码所产生的乱码便具有不同的特征。
简体中文编码体系产生的乱码
在中文互联网上流行着一个冷笑话,总结了简体中文编码中经常出现的乱码:[2][3]
手持两把锟斤拷,口中疾呼烫烫烫。 脚踏千朵屯屯屯,笑看万物锘锘锘。
锟斤拷乱码问题
在Unicode编码与简体中文编码系统(例如GB 2312、GBK、GB 18030、CP936)转换时,部分简体中文编码的文字在Unicode编码中并不存在,Unicode会以“未识别字符(U+FFFD)”作为内码记录,而对外以UTF-8表现为EF BF BD
,当多个EF BF BD
连续出现,而且以简体中文编码去解释的话,就会被解析为多个“锟斤拷”。三个字的编码分别是锟(0xEFBF)、斤(0xBDEF)、拷(0xBFBD)。
“烫烫烫”与“屯屯屯”
在Visual C++中,以调试模式运行程序时,未初始化的栈空间被以0xCC填充,而未初始化的堆空间则是0xCD。当不小心以字符串形式输出了这些未初始化的内容时,系统会以GBK编码解析为一连串重复的“烫”(0xCCCC)或者“屯”(0xCDCD)。
UTF-8 BOM与“锘”
Windows操作系统中,将文本文件保存为UTF-8格式时会在文件开头添加字节顺序标记EF BB BF
,当文件以GBK编码打开时,开头两个字节会被解析为“锘”(0xEFBB)。
产生的问题
过往,乱码所产生的问题,往往只是阅读上的不方便,因为文字变成了乱码,使用户看不到文字的内容。然而,现时由于电脑软件安全设计的问题,乱码随时可能会使应用程式不正常关闭。
参见
参考文献
- ^ 蔡学镛. IT中文環境的血淚史(1)作業系統、編程語言、應用亂碼. iThome 电周文化. 2007-06-17 [2024-02-24]. (原始内容存档于2024-02-24) (中文(台湾)).
- ^ 计算机领域有哪些经典的典故或笑话?. 知乎. 2014-03-08.
- ^ 1 分钟带你认识从 "�" 到 "锟斤拷". 搜狐. 2021-02-16 [2023-11-14]. (原始内容存档于2023-11-14).