中文亂碼
“万码奔腾”的年代
在過去,由於繁體中文使用者缺乏一個具有號召力的內碼標準,不同使用者都會使用各自的標準。比較普遍的是銀行由於主要使用IBM的商業電腦,很自然地亦選擇了IBM 5550作為其內碼標準。這些用5550內碼的文件,一旦下載到计算机上,若要轉寄與其他人使用,就要透過轉碼換成Big5,其他人才可以閱讀。
另一方面,在會計界有不少人都直接使用外國的專門軟體,而為免衝碼問題使畫面凌亂,不少的IT部門都把公司電腦的內碼換成倚天碼。本來會計人員過去只是把計算結果列印而提交報告,並未有任何問題。到後來隨着電子表格的興起,用戶才發覺到當公司與外界使用的內碼不同,會引起不少問題,乱码的问题才开始得到重视。
中文Big5碼被誤認為EASCII
歐洲生產的某些電腦並無法辨識Big5雙位元字碼的中文字元,相反的,它們會把位於00到7F間的字碼視為ASCII,而80到FF間的字碼則視為EASCII,例如:
中文字 | ||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Big5碼的高位/低位位元 | BA | FB | B0 | F2 | A6 | CA | AC | EC | A4 | A4 | A4 | E5 | A4 | 6A | A4 | AD | BD | 58 |
對應的ASCII/EASCII字元 | º | û | ° | ò | ¦ | Ê | ¬ | ì | ¤ | ¤ | ¤ | å | ¤ | j | ¤ | | ½ | X |
也因此,中文字串「」會顯示為亂碼「ºû°ò¦Ê¬ì¤¤¤å¤j¤ ½X」。
UTF-8与Big5的相互转换
隨著UTF-8的普及化,許多繁體中文的IRC頻道也逐漸從Big5轉變成UTF-8;然而在這種過渡時期中,仍然有不少IRC頻道是採用Big5的,所以使用者參與了新的頻道時,通常會想要先確定自己的字元編碼有沒有設錯,人們最常用的測試字眼不外乎:
編碼 | 內容 | ||
---|---|---|---|
UTF-8 | |||
Big5 |
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“”。三个字的编码分别是(0xEFBF)、(0xBDEF)、(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“”(0xCCCC)或者“屯”(0xCDCD)。
產生的問題
過往,亂碼所產生的問題,往往只是閱讀上的不方便,因為文字變成了亂碼,使用戶看不到文字的內容。然而,現時由於電腦軟件保安設計的問題,亂碼隨時可能會使應用程式不正常關閉。