“为什么打开文件会乱码？”这是计算机基础课上经常出现的问题。要回答它，需要把二进制、编码和字符集放在同一条线索上理解，而不是分别记忆几个名词。

从二进制位开始

计算机存储和传输的基本单位是二进制位，只有 0 和 1。八个位组成一个字节，可以表示 256 种不同的组合。字节本身没有含义，它只是数据的容器。

同样是字节序列 01000001，如果规定它表示一个整数，它是 65；如果规定它表示一个字符，它可能是拉丁字母 A。含义来自约定，而不是字节本身。

字符集与编码不是一回事

字符集回答“有哪些字符，以及每个字符对应哪个编号”；编码回答“这个编号怎样变成字节序列”。

  • Unicode 是一个字符集，为世界上大量字符分配编号，例如 A 的编号是 U+0041。
  • UTF-8 是 Unicode 的一种编码方式，它把编号转换成可变长度的字节序列。
  • GBK 是另一套字符集和编码方案，主要用于简体中文环境。

把 Unicode 直接说成 UTF-8 是不准确的。Unicode 提供编号，UTF-8 负责把编号写成字节。

乱码是怎样产生的

乱码通常来自“写入时用一种规则，读取时用了另一种规则”。例如一段用 UTF-8 保存的中文，被程序按 GBK 解码，字节被重新组合成别的字符，于是显示为乱码。

另一种常见情况是文件本身没有声明编码，读取方只能猜测。猜测失败时，也会出现乱码或替换字符。

一个可操作的排查顺序

  1. 确认文件或数据实际使用的编码；
  2. 确认读取端声明的编码是否一致；
  3. 检查是否在某一层发生了二次转换；
  4. 用最小样本复现，而不是直接修改整个文件。

理解这条线索之后，“乱码”就不再是一个神秘现象，而是编码约定不一致的结果。对教学来说，先让学生看到字节和字符之间的转换过程，比直接背 UTF-8 的规则更有效。