文件编码

从文件编码的方式来看，文件可分为ASCII码文件(文本文件)和二进制码文件(流式文件)两种。

ASCII码文件在磁盘中存放时每个字符对应一个字节，用于存放对应的ASCII码，例如，数5678的存储形式为：
ASCII码： 　00110101 00110110 00110111 00111000
　　　　　          ↓ 　　　　↓　　　　  ↓ 　　　    ↓
十进制码：          5　　　　  6　　　　   7                8 共占用4个字节。
ASCII码文件可在屏幕上按字符显示，例如源程序文件就是ASCII文件，用DOS命令TYPE可显示文件的内容，由于是按字符显示，因此能读懂文件内容。

二进制文件是按二进制的编码方式来存放文件的，例如，数5678的存储形式为：00010110 00101110只占二个字节，二进制文件虽然也可在屏幕上显示，但其内容无法读懂，C系统在处理这些文件时，并不区分类型，都看成是字符流，按字节进行处理，输入输出字符流的开始和结束只由程序控制而不受物理符号(如回车符)的控制，因此也把这种文件称作"流式文件"。

1、big endian和little endian
big endian和little endian是CPU处理多字节数的不同方式，例如"汉"字的Unicode编码是6C49，那么写到文件里时，究竟是将6C写在前面，还是将49写在前面？如果将6C写在前面，就是big endian，如果将49写在前面，就是little endian，我们一般将endian翻译成"字节序"，将big endian和little endian称作"大尾"和"小尾"。

2、字符编码、内码，顺带介绍汉字编码
字符必须编码后才能被计算机处理，计算机使用的缺省编码方式就是计算机的内码，早期的计算机使用7位的ASCII编码，为了处理汉字，程序员设计了用于简体中文的GB2312和用于繁体中文的big5。
GB2312(1980年)一共收录了7445个字符，包括6763个汉字和682个其它符号，汉字区的内码范围高字节从B0-F7，低字节从A1-FE，占用的码位是72*94=6768，其中有5个空位是D7FA-D7FE。
GB2312 支持的汉字太少，1995年的汉字扩展规范GBK1.0收录了21886个符号，它分为汉字区和图形符号区，汉字区包括21003个字符，2000年的 GB18030是取代GBK1.0的正式国家标准，该标准收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字，现在的PC平台必须支持GB18030，对嵌入式产品暂不作要求，所以手机、MP3一般只支持GB2312。
从ASCII、 GB2312、GBK到GB18030，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符，在这些编码中，英文和中文可以统一地处理，区分中文编码的方法是高字节的最高位不为0，按照程序员的称呼，GB2312、GBK到GB18030都属于双字节字符集 (DBCS)。
有的中文Windows的缺省内码还是GBK，可以通过GB18030升级包升级到GB18030，不过GB18030相对GBK增加的字符，普通人是很难用到的，通常我们还是用GBK指代中文Windows内码。

3、Unicode(UCS)和UTF
前面提到从ASCII、GB2312、GBK到GB18030的编码方法是向下兼容的，而Unicode只与ASCII兼容（更准确地说，是与ISO-8859-1兼容），与GB码不兼容，例如“汉”字的Unicode编码是6C49，而GB码是BABA。
Unicode 也是一种字符编码方法，不过它是由国际组织设计，可以容纳全世界所有语言文字的编码方案，Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS，UCS可以看作是"Unicode Character Set"的缩写。
UCS规定了怎么用多个字节表示各种文字，怎样传输这些编码，是由UTF(UCS Transformation Format)规范规定的，常见的UTF规范包括UTF-8、UTF-7、UTF-16。

4、UTF编码
UTF-8就是以8位为单元对UCS进行编码，从UCS-2到UTF-8的编码方式如下：
UCS-2编码(16进制)     UTF-8 字节流(二进制)
0000 - 007F               0xxxxxxx
0080 - 07FF               110xxxxx 10xxxxxx
0800 - FFFF               1110xxxx 10xxxxxx 10xxxxxx
例如"汉"字的Unicode编码是6C49，6C49在0800-FFFF之间，所以肯定要用3字节模板了：1110xxxx 10xxxxxx 10xxxxxx，将6C49写成二进制是：0110 110001 001001， 用这个比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。
UTF-16以16位为单元对UCS进行编码，对于小于0x10000的UCS码，UTF-16编码就等于UCS码对应的16位无符号整数，对于不小于0x10000的UCS码，定义了一个算法，不过由于实际使用的UCS2，或者UCS4的BMP必然小于0x10000，所以就目前而言，可以认为UTF-16和UCS-2基本相同，但UCS-2只是一个编码方案，UTF-16却要用于实际的传输，所以就不得不考虑字节序的问题。

5、UTF的字节序和BOM
UTF-8以字节为编码单元，没有字节序的问题，UTF-16以两个字节为编码单元，在解释一个UTF-16文本前，首先要弄清楚每个编码单元的字节序，例如收到一个"奎"的Unicode编码是594E，"乙"的Unicode编码是4E59，如果我们收到UTF-16字节流"594E"，那么这是"奎"还是"乙"？
Unicode规范中推荐的标记字节顺序的方法是BOM，BOM不是“Bill Of Material”的BOM表，而是Byte Order Mark，BOM是一个有点小聪明的想法：在UCS 编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的编码是FEFF，而FFFE在UCS中是不存在的字符，所以不应该出现在实际传输中，UCS规范建议我们在传输字节流前，先传输字符"ZERO WIDTH NO-BREAK SPACE"，这样如果接收者收到FEFF，就表明这个字节流是Big-Endian的，如果收到FFFE，就表明这个字节流是Little-Endian的，因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。
UTF-8不需要BOM来表明字节顺序，但可以用BOM来表明编码方式，字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8编码是EF BB BF，所以如果接收者收到以EF BB BF开头的字节流，就知道这是UTF-8编码了，Windows就是使用BOM来标记文本文件的编码方式的。