代码的注释又变成“锟斤拷”了？都是字符集惹的祸！

大家好，我是程序员牛肉。

相信各位在各种编译器中写代码的时候，一定会遇到一个问题：

明明代码在同学的电脑里是好的，在我的电脑里怎么注释就全部乱码了？

要想解释这种情况，还需要我们从”字符集“这个概念讲起：

人类世界有海量的文字，这些文字可以被刻在石头上，墙壁上，竹筒上。这一个个符号都是字符。而我们把字符组成的集合就叫做字符集。

但很遗憾的是：计算机并不能读懂这些字符。计算机是0和1的世界，我们该如何将这些字符存储到计算机中成为一个难题

因此我们想出了一个办法：用一个特定的二进制数字代表一个特定的字符。这样就实现了字符在计算机中的表示，字符集编码应运而生。

ASCLL码：

ASCII（American Standard Code for Information Interchange，美国信息交换标准代码）是最早的字符集编码方案之一，它定义了一组128个字符及其对应的7位二进制编码。ASCII字符集包含了英文字母（大写和小写）、数字、标点符号、控制字符（例如换行符、回车符）和一些特殊符号（例如美元符号、百分号等）。

ASCII表展示：

众所周知计算机存储数据的基本单位是字节，而一个字节由八个二进制位组成，也就是八个比特（bit），每个比特有0 和 1 两种状态，因此一个字节一共有 256 种不同的二进制状态，也就是最多可以存储256个不同的字符。

而随着各国都逐渐进入信息化时代，这128个字符显然不够用了，一个字节有256种状态，而初代的ASCII码只占用了128种状态，因此西欧的国家联合起来，搞了EASCII码。

EASCLL码：

EASCII（Extended AS而CII）概念涌现于计算机发展的早期，旨在为ASCII字符集增加更多的字符和符号，超出了原始的128个字符。EASCII对ASCII字符集进行了自定义的扩展，使它能够适应更多的国际字符需求和特殊用途。

扩展字符通常包括特殊符号、非拉丁字符、货币符号、辅助标点符号以及其他语言的字母、符号和标点符号等。扩展ASCII字符集的具体范围和定义不是标准化的，因此可能会因不同的计算机系统和编码方案而有所不同。

而正如我们前面说到的：扩展ASCII字符集的具体范围和定义不是标准化的，因此可能会因不同的计算机系统和编码方案而有所不同。

此时各国都制定了自己的扩展ASCII字符集，都有自己独特的后128位表示，一共搞出了两百多种扩展ASCII表，此时字符集编码迎来了一个混乱的纪元：一个二进制数字在不同的字符集编码中对应的字符也不同，哪怕是同一份文本，放到不同的计算机中打开，显示的内容也可能不同。

这种混乱的纪元一直持续到 中日韩 进入信息化时代迎来爆发。

原因很简单：这三个国家的字实在是太多了，一个字节的256种状态已经无法满足人们的正常需求了

我们以中国做简单的例子讲解：

1980年中国统计的常用汉字为6763个汉字，因此我们推出了我们自己的字符集：

GB2312-80

GB2312-80是中华人民共和国国家标准GB 2312-1980的简称。它是一种汉字字符集编码方式，由6763个常用汉字和682个非汉字符号组成，共计7445个字符。GB2312-80取代了GB2312-80之前使用的GB2312-80编码，成为计算机上最常用的中文字符集之一。它以双字节编码形式表示汉字，每个汉字由一个区号和一个位号组成。GB2312-80的字符编码范围被广泛应用于计算机系统、操作系统、数据库、通信协议等领域，为中文信息处理提供了基础支持。

正是因为我们的汉字字符集太多，因此使用了两个字节的空间，这也就是为什么中文的"，"要比英文的”,“看起来更加宽的原因。

GB2312-80截选展示：

而此时虽然我们有了自己的字符集，但是仍然会遇到一些生僻字没有被收录的情况，因此会出现一些地区上户口的时候，因为名字中含有生僻字所以电脑识别不了而被迫改名。

而随着中日韩三国对于字符集编码的疯狂扩展，微软也开始重视起来了这个问题。最终推出了：

GB2312

而我们国家对此再做了优化，补充了一些繁体字后，推出了汉字内码扩展规范：GBK

GBK（Guojia Biaozhun Kuozhan，国家标准扩展）是在GB2312的基础上进行扩展而来的字符集编码方案。GBK于1995年发布，使用双字节编码，但扩展了GB2312中未包含的很多生僻字和繁体字，以及包括繁体字在内的其他语种的字符。

因此，可以说GBK是GB2312的一个扩展版本，它在GB2312的基础上增加了更多的字符，使得可以更好地满足多种语言的需求。

需要注意的是，尽管GB2312和GBK都是被广泛用于简体中文编码的字符集，但它们并不兼容于Unicode或UTF-8等国际化的字符集编码方案。为了更好地支持多语言和国际化，后来出现了更先进的字符集编码方案，如GB18030。

而进行到这里，海量的字符集编码为人类计算机交流带来的麻烦，已经让人叫苦不得，因此建立一个统一的字符集编码变成了众望所归。

🌍UNICODE（万国码）

UNICODE（万国码）是一种用于表示世界上几乎所有字符的字符集编码方案。它的目标是为所有的书写系统和符号提供一个统一的编码标准，以便在计算机系统中进行交换、存储和处理。

它的优势在于统一了字符的编码方案，使得不同语言、不同符号可以在同一个系统上相互兼容。UNICODE使用了32位的编码空间，可以表示超过100万个不同的字符。

最常见的UNICODE编码方案是UTF-8（Unicode Transformation Format 8-bit），它是一种可变长度的编码方式，可以使用1至4个字节来表示不同的字符。UTF-8通过自适应字节序列来支持各种语言和字符，因此在互联网和计算机系统中得到广泛应用。

除了UTF-8，还有其他的UNICODE编码方案，如UTF-16和UTF-32，它们使用固定长度的编码方式，分别使用16位和32位来表示字符。这些编码方案主要用于特定领域或特殊需求中。

万国码节选图片：

而万国码的收录方式也埋下了一个很大的坑，甚至到现在还在被别有用心的人利用的案例。但在这里我们同学做介绍，感兴趣的人可以自行了解。

而现在有的软件还在默认使用GBK编码，当我们尝试用这个软件打开一个使用UNICODE编码的字符集的时候，自然就会出现乱码。

而字符集发展到UNICODE阶段，基本上痛点问题已经被解决，而随着越来越多的软件适配UNICODE，我们的字符乱码事件也会越来越少。

回到我们开头遇到的那个问题：

为什么同一份代码在同学的电脑上可以正确显示，但是到自己的电脑上就是乱码？

答案已经呼之欲出，就是因为两个电脑在解析代码的时候，使用的字符集不一样。

相信你已经了解了”字符集“背后的故事，希望我的文章可以帮到你。