微軟本著顧客就是上帝的原則，就把賣給中國人的有系統(tǒng)默認(rèn)使用GBK編碼，賣給韓國人的系統(tǒng)默認(rèn)使用EUC-KR編碼，其他國家也是如此。

但是為了避免廣大消費(fèi)者誤會(huì)賣給我們的系統(tǒng)功能有差異，微軟就把統(tǒng)一默認(rèn)編碼都顯示成ANSI。

在我們的電腦里面，ANSI也就是我們的GBK系列的編碼，當(dāng)我們用記事本另存的時(shí)候在下面就可以看到。

關(guān)于這個(gè)記事本，有個(gè)很注明的奇怪現(xiàn)象，當(dāng)你在windows的記事本里新建一個(gè)文件，輸入聯(lián)通這兩個(gè)字后，保存，關(guān)閉。

然后再次打開，你會(huì)發(fā)現(xiàn)這兩個(gè)字變成了亂碼。

有人說這就是聯(lián)通之所以干不過移動(dòng)的原因，其實(shí)這是因?yàn)镚BK編碼與UTF-8編碼產(chǎn)生了編碼沖撞的原因。

Unicode         UTF-8
0000 - 007F     0XXXXXXX
0080 - 07FF     110XXXXX 10XXXXXX
0800 - FFFF     1110XXXX 10XXXXXX 10XXXXXX

上面這一段就是從Unicode到UTF-8的轉(zhuǎn)換規(guī)則。當(dāng)然是按十六進(jìn)制分的。

Unicode編碼中從0000到007F，對應(yīng)UTF-8中的二進(jìn)制編碼，就是以0開頭，占用一個(gè)字節(jié)。

Unicode編碼中從0080到07FF這段編碼對應(yīng)的是UTF-8中的110開頭的一個(gè)字節(jié)，10開頭的一個(gè)字節(jié)，兩個(gè)字節(jié)

0800到FFFF這段編碼，對應(yīng)的是UTF-8中的1110開頭的1個(gè)字節(jié)，10開頭的一個(gè)字節(jié)，還有一個(gè)10開頭的一個(gè)字節(jié)，這里要用三個(gè)字節(jié)。

列入仙這個(gè)字，Unicode編碼是4ED9,4ED9在0800和FFFF之間，所以需要這個(gè)三個(gè)字節(jié)的模板。

4ED9轉(zhuǎn)換成二進(jìn)制是0100 1110 1101 1001 ，把這個(gè)比特流按三字節(jié)模板拆，就變成了這樣，依次替換模板中的X，得到1110-0100 10-111011 10-011001。

再轉(zhuǎn)成16進(jìn)制，就變成了E4BB99。

 仙---->4ED9---->1110-0100 10-111011 10-011001
 1110-0100 10-111011 10-011001--->E4BB99

這其實(shí)就是UTF-8的編碼，而當(dāng)你新建一個(gè)文本文件時(shí)，記事本編碼默認(rèn)是ANSI，前面我們說過ANSI在我們電腦里其實(shí)就是GB系列編碼方式。

在這種編碼下，聯(lián)通的內(nèi)碼是：C1AA CDA8.這也是16進(jìn)制的。

前面我們學(xué)進(jìn)制轉(zhuǎn)換的時(shí)候知道，每四位二進(jìn)制可以轉(zhuǎn)換成1位十六進(jìn)制，也就是說每兩位十六進(jìn)制就是一個(gè)字節(jié)。

C1就是第一個(gè)字節(jié)，轉(zhuǎn)成二進(jìn)制就是110 0001。

AA是第二個(gè)字節(jié)，轉(zhuǎn)成二進(jìn)制就是1010 1010。

CD是第三個(gè)字節(jié)，轉(zhuǎn)成二進(jìn)制就是1100 1101。

A8是第四個(gè)字節(jié)，轉(zhuǎn)成二進(jìn)制是1010 1000。

 C1--->1100 0001
AA--->1010 1010 
CD--->1100 1101
A8--->1010 1000

我們來看第三四個(gè)字節(jié)的開頭部分，都是110和10，正好與UTF-8規(guī)則里的兩字節(jié)模板是一致的。

于是再次打開這個(gè)文件的時(shí)候，及時(shí)本會(huì)自動(dòng)識(shí)別編碼方式，它就誤認(rèn)為這是一個(gè)UTF-8編碼的文件，會(huì)把第一個(gè)字節(jié)的110和第二個(gè)字節(jié)的10去掉。于是就得到了00001 101010。

再把各位對齊，補(bǔ)上前面的0，就得到了0000 0000 0110 1010，這個(gè)二進(jìn)制就轉(zhuǎn)成十六進(jìn)制就變成了006A。

Unicode的006A也就是小寫的字母j，而之后的兩個(gè)字節(jié)用UTF-8解碼之后是0368，這個(gè)字符什么也不是。

0000 0000 0110 1010--->006A--->j
0000 0011 0110 1000--->0368--->不存在

這就是聯(lián)通兩個(gè)字的文件沒有辦法在記事本里正常顯示的原因。如果你在聯(lián)通后面輸入幾個(gè)字，其他的字的編碼不見得有恰好是110和10開始的字節(jié)，這樣再次打開時(shí)記事本就不會(huì)堅(jiān)持這是一個(gè)UTF-8編碼的文件。

而會(huì)用ANSI的方式解讀，這是亂碼就不會(huì)出現(xiàn)了。

未經(jīng)允許不得轉(zhuǎn)載：445IT之家 » Python 記事本寫‘聯(lián)通’亂碼的原因