手持两把锟斤拷，口中疾呼烫烫烫

上面这种乱码的形式我特别映像深刻，刚好今天在学习的时候碰到了，便记录下来。

先理解电脑中是怎么保存数据的。

电脑中的数据

我们知道，电脑所保存的数据，都是010101 的二进制数据。常常在学数据结构的时候，都知道程序 = 算法 + 数据结构。而数据结构就是相当于我们这里的二进制了。

计算机怎么识别字符串？

我们都知道，计算机只能识别二进制数，在它面前都是0和1 两个数字，那怎么让不同的 0 和 1 组成来表示不同的数据呢？

这里典型的我们都知道 ASCII 码，这里的 ASCII 码就好比一个字典，用 8 位二进制，来存储着 128 个不同的数，对应着 128 个不同的字符。比如小写字母 a 在 ASCII 里面，就是第 97 个，也就是二进制 0110 0001。那么这里，我们的计算机就能识别了。

字符集

表示的可以是字符的一个集合。像“中文”就是一个字符集，比如“第一版《新华字典》里面出现的所有汉字”，这是一个字符集。这样，我们才能明确知道，一个字符在不在这个集合里面。比如，我们日常说的 Unicode，其实就是一个字符集，包含了 150 种语言的 14 万个不同的字符。

字符编码

则是对于字符集里的这些字符，怎么一一用二进制表示出来的一个字典。上面说的 Unicode，就可以用 UTF-8、UTF-16，乃至 UTF-32 来进行编码，存储成二进制。所以，有了 Unicode，其实我们可以用不止 UTF-8 一种编码形式。

锟斤拷烫烫烫的由来

同样的文本，采用不同的编码存储下来。如果另外一个程序，用一种不同的编码方式来进行解码和展示，就会出现乱码。这就好像两个军队用密语通信，如果用错了密码本，那看到的消息就会不知所云。在中文世界里，最典型的就是“手持两把锟斤拷，口中疾呼烫烫烫”的典故。

首先，“锟斤拷”的来源是这样的。如果我们想要用 Unicode 编码记录一些文本，特别是一些遗留的老字符集内的文本，但是这些字符在 Unicode 中可能并不存在。于是，Unicode 会统一把这些字符记录为 U+FFFD 这个编码。如果用 UTF-8 的编码 的格式存储下来，就是\xef\xbf\xbd。如果连续两个这样的字符放在一起，\xef\xbf\xbd\xef\xbf\xbd，这个时候，如果程序把这个字符，用 GB2312 的方式进行 解码，就会变成“锟斤拷”。这就好比我们用 GB2312 这本密码本，去解密别人用 UTF-8 加密的信息，自然没办法读出有用的信息。

而“烫烫烫”，则是因为如果你用了 Visual Studio 的调试器，默认使用 MBCS 字符集。“烫”在里面是由 0xCCCC 来表示的，而 0xCC 又恰好是未初始化的内存的赋值。于是，在读到没有赋值的内存地址或者变量的时候，电脑就开始大叫“烫烫烫”了。

声明：该文章是学习笔记和学习心得。以上的部分图片来源于极客时间的”深入浅出计算机组成原理“的课程