编程学前班系列-04-计算机如何存储文字

计算机如何存储文字？从传纸条说起

为什么会有乱码？连工作多年的程序员都没完全搞懂的知识点

为什么 C/C++ 难学？

缺少必要的基础知识，学起来肯定会困难重重。

比如：计算机是怎么存储文字的？

这一点连许多工作多年的程序员都没有完全搞明白，时不时还会遇到文件乱码的问题。

不要期望在学校里老师会把这些知识传授给你。今天，让我们来解锁这个知识，打通任督二脉，让学编程变得更简单！

---

一个”老六”的传奇故事

课堂上的秘密通信

你上学时传过纸条吗？或者看过别人传纸条？

假设你写了这样一张纸条：

今天中午一起去吃饭吗？

传给同桌时，不幸被老师截获了… 😱 完蛋了！

💡 加密方案诞生

有个聪明的同学想出了一个办法：

约定用数字代替文字

建立一个对照表：

数字	字符
0001	今
0002	天
0003	中
0004	午
…	…

纸条内容变成：

0001 0002 0003 0004 ...

这样即使被老师截获，老师也看不懂你们在说什么！

规则：

• 每 4 位数字代表一个字符
• 0000 ~ 9999 可表示 10000 个字符，完全够用

🔥 方案被”抄袭”

这套方法被同班的一对情侣发现了：

“我靠，原来还可以这么操作！”

他们照着这个思路，也设计了自己的一套对照表。

❌ 乱码出现了！

问题来了：

如果他们的纸条丢到你这边，你用你的对照表翻译：

原意：我喜欢你
你翻译出来：天气真好

这就是 乱码 的由来！

---

计算机中的字符编码

ASCII 码的诞生

其实计算机早期是没有表示字符的方法的。

直到 20世纪60年代，为了满足在计算机中传输字符的需求，美国相关机构参考了”老六”的编码思路，制定了一套标准编码：

ASCII 码（American Standard Code for Information Interchange）

• 中文名：美国信息交换标准代码

📋 ASCII 编码规则

范围： 0 ~ 127，共 128 个字符

主要内容：

• 数字 0-9 → 编码 48-57
• 大写字母 A-Z → 编码 65-90
• 小写字母 a-z → 编码 97-122
• 特殊字符：空格、标点符号、控制字符等

部分对照表：

字符	ASCII码	二进制
0	48	00110000
9	57	00111001
A	65	01000001
Z	90	01011010
a	97	01100001
z	122	01111010

---

字符如何存储到硬盘？

🔑 关键：结合前面的知识

还记得我们前面学过的吗？

1. 计算机使用二进制存储数据
2. 硬盘就像一张巨大的纸，上面只能写 0 或 1

存储过程演示

以大写字母 A 为例：

步骤1： 查找 ASCII 码

A → 65

步骤2： 转换为二进制

65 (十进制) → 01000001 (二进制)

步骤3： 补齐到 8 位

ASCII 规定：必须用 8 个二进制位（1 Byte）表示一个字符
不足 8 位的前面补 0

步骤4： 写入硬盘

┌───┬───┬───┬───┬───┬───┬───┬───┐
│ 0 │ 1 │ 0 │ 0 │ 0 │ 0 │ 0 │ 1 │ ← 字符 'A'
└───┴───┴───┴───┴───┴───┴───┴───┘

🎬 A-Z 存储过程

从大写字母 A 到 Z，依次存储到硬盘：

01000001  ← A (65)
01000010  ← B (66)
01000011  ← C (67)
...
01011010  ← Z (90)

---

硬盘能存多少个英文字符？

💾 1TB 硬盘的容量

已知：

• 1 Byte = 1 个英文字符
• 1 TB = 1024 GB = 1024 × 1024 MB = 1024 × 1024 × 1024 KB = 1024 × 1024 × 1024 × 1024 Byte

计算：

1 TB = 1,099,511,627,776 Byte
     ≈ 1.1 万亿个英文字符

非常可怕的数量！📚

---

ASCII 的局限性

⚠️ 一个字节的瓶颈

问题： 1 Byte (8 bit) 最多只能表示 256 个字符

2^8 = 256
状态范围：0 ~ 255

这对于英文来说够了，但对于：

• 🇨🇳 中文：几万个汉字
• 🇯🇵 日文：几千个字符
• 🇰🇷 韩文：几千个字符

完全不够用！

---

双字节编码的诞生

💡 解决方案

使用 2 Byte（16 bit） 表示一个字符

容量：

2^16 = 65,536
状态范围：0 ~ 65,535

对于中文常用字（约 3000-4000 字）来说，远远够了！

📉 存储容量的代价

如果是 1TB 硬盘，存储中文字符的数量：

1,099,511,627,776 ÷ 2 = 549,755,813,888
≈ 5498 亿个中文字符

容量折半，但依然很多。

---

编码混乱导致的乱码

🌍 全球编码大战

全世界的语言和文字非常多，于是产生了非常多的文字编码：

• 中文：GB2312、GBK、Big5（繁体）等
• 日文：Shift_JIS、EUC-JP 等
• 韩文：EUC-KR、ISO-2022-KR 等
• 泰文：TIS-620 等
• …

💔 悲剧场景

场景1： 日本朋友发来消息

他的编码：Shift_JIS
你的编码：GBK
结果：乱码！ �������

场景2： 泰国朋友说”萨瓦迪卡”

他的编码：TIS-620
你的编码：GBK
结果：乱码！ กขค���

场景3： 韩国朋友喊”欧巴”

他的编码：EUC-KR
你的编码：GBK
结果：还是乱码！ ����

“为什么编码那么多、那么混乱，就不能发明一种统一的编码吗？”

---

Unicode：统一编码的救星

🎉 你的梦想成真了！

Unicode（统一码、万国码）诞生了！

🔍 什么是 Unicode？

Unicode 不是一个具体的编码，而是一个概念/标准。

真正实现这个概念的有：

• UTF-7
• UTF-8 ⭐（最常用）
• UTF-16
• UTF-32

🌏 覆盖范围

Unicode 几乎收录了世界上所有的符号：

• 中文、日文、韩文
• 阿拉伯文、泰文、希伯来文
• Emoji 表情 😀
• 各种特殊符号 ©®™
• 古文字、数学符号…

外号：万国码

---

UTF-8：主宰世界的编码

📊 市场占有率

UTF-8 编码占有率超过 95%

是目前最主流的编码方式！

✨ UTF-8 的优势

1. 兼容 ASCII：英文字符依然用 1 Byte
2. 变长编码：根据需要使用 1-4 Bytes
3. 节省空间：常用字符用更少的字节
4. 无乱码：统一标准，全球通用

编码规则：

字符范围	字节数	编码格式
ASCII (0-127)	1	0xxxxxxx
其他字符	2	110xxxxx 10xxxxxx
更多字符	3	1110xxxx 10xxxxxx 10xxxxxx
罕见字符	4	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

---

💡 遇到乱码怎么办？

实用技巧

如果遇到乱码文件，尝试用不同编码打开：

常见编码选项：

• UTF-8（优先尝试）
• GBK / GB2312（中文简体）
• Big5（中文繁体）
• Shift_JIS（日文）
• EUC-KR（韩文）

操作示例：

在文本编辑器中切换编码：

记事本 → 另存为 → 编码选择
VS Code → 右下角点击编码 → 重新打开并选择编码

---

本文要点回顾

• ✨ 字符编码的本质：数字与字符的对应关系
• ✨ ASCII 码：最早的标准编码，128 个字符，1 Byte
• ✨ 存储原理：字符 → ASCII码 → 二进制 → 硬盘
• ✨ 双字节编码：解决中文等多字符语言的需求
• ✨ 乱码原因：编码和解码使用了不同的对照表
• ✨ Unicode：统一标准，万国码
• ✨ UTF-8：主流编码方式，占有率超过 95%

---

🎓 进阶知识

为什么 UTF-8 这么流行？

1. 向后兼容：完全兼容 ASCII
2. 效率高：英文 1 字节，中文 3 字节，灵活高效
3. 无字节序问题：UTF-16/32 有大小端之分，UTF-8 没有
4. 互联网标准：W3C 推荐，浏览器默认

编程中的编码

// C++ 中处理字符编码
#include <iostream>
#include <locale>

int main() {
    // 设置为 UTF-8
    std::locale::global(std::locale("zh_CN.UTF-8"));

    std::cout << "你好，世界！" << std::endl;
    return 0;
}

---

💡 记住：字符编码就像是计算机和人类之间的”翻译官”。理解了编码，你就理解了计算机如何”说话”。

---

💬 互动时间

思考题：

1. 为什么 Emoji 表情需要更多字节存储？
2. 你遇到过最离谱的乱码是什么样的？

如果本文对你有帮助，欢迎：

• 👍 点赞支持
• 🔔 关注不迷路
• 💬 评论区讨论思考题
• ⭐ 收藏慢慢看

你的支持是我创作的最大动力！

---

本文为”编程学前班”系列第 4 篇

​