中文亂碼
 |
中文亂碼是電子資訊系統的中文無法正確顯示文字符號的一種現象，在中文內碼未有標準時情況尤其嚴重[1]。
“万码奔腾”的年代
[编辑]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
[编辑]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 | 維 | 基 | 百 | 科 | 中 | 文 | 大 | 五 | 碼 | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 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「維基百科中文大五碼」會顯示為亂碼「ºû°ò¦Ê¬ì¤¤¤å¤j¤ ½X」。
UTF-8与Big5的相互转换
[编辑]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 | 中文 | 測試 | 導航 |
| Big5 | 銝剜�� | 皜祈岫 | 撠舘⏛ |
嚙踝蕭乱码问题
[编辑]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
[编辑]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
[编辑]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“锟斤拷”。三个字的编码分别是锟（0xEFBF）、斤（0xBDEF）、拷（0xBFBD）。
“烫烫烫”与“屯屯屯”
[编辑]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“烫”（0xCCCC）或者“屯”（0xCDCD）。
UTF-8 BOM与“锘”
[编辑]Windows操作系统中，将文本文件保存为UTF-8格式时会在文件开头添加字节顺序标记EF BB BF，当文件以GBK编码打开时，开头两个字节会被解析为“锘”（0xEFBB）。
產生的問題
[编辑]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。
参见
[编辑]参考文献
[编辑]- ^ 蔡學鏞. IT中文環境的血淚史(1)作業系統、編程語言、應用亂碼. iThome 電週文化. 2007-06-17 [2024-02-24]. （原始内容存档于2024-02-24） （中文（臺灣））.
- ^ 计算机领域有哪些经典的典故或笑话？. 知乎. 2014-03-08.
- ^ 1 分钟带你认识从 "�" 到 "锟斤拷". 搜狐. 2021-02-16 [2023-11-14]. （原始内容存档于2023-11-14）.