Re: [問題] 關於binary檔案 / text檔案

看板java作者brianhsu (墳墓)時間10年前 (2015/05/18 16:23)推噓0(0推 0噓 1→)

留言1則, 1人參與討論串2/2 (看更多)

※ 引述《noapaov (單身漢)》之銘言： : 請問一下各位大大, 想請問一下我的理解是否有錯誤 : 檔案類型一般分二進位檔案(binary file)與文字檔(text file) : 文字檔案存的是檔案編碼後的資料例如UTF-8編碼, 存的內容是UTF-8編碼資料, : 我們看會出現中文是因為編輯器根據編碼進行了對照表的轉換 : 二進位檔案存的是二進制的內容也就是(0101), 因方便閱讀, : 編輯器打開二進制有時會轉換成16進制(\u5f35) : 但電腦要讀取時, 會將文字檔案再轉換成二進制檔案, : 而二進位檔案則可直接讀取檔案內容, : (1) 我的理解有問題嗎? 應該說所有檔案都是 0101 組成，都是 binary，所謂的 text file 也一樣。一個最簡單的例子，假設一個文字檔，裡面內容是 ABCDE 換行，那麼我們可以在 Linux 上用 cat 指令來看他，會顯示出 ABCDE 和一個空白行： brianhsu@ToshibaZ30 ~ $ cat test.txt ABCDE brianhsu@ToshibaZ30 ~ $ 你也可以用 xxd 來直接看該檔最原始的二進位資料，就會用二進位的方式來顯示了： brianhsu@ToshibaZ30 ~ $ xxd -b test.txt 00000000: 01000001 01000010 01000011 01000100 01000101 00001010 ABCDE. 00000006: 00001010 . 然後會發現 01000001 換成十進位是 65，正好是 A 的 ASCII 值。換句話說，不論是所謂的 binary 還是 text 其實都存的都是二進位的東西，只是當你說他是 text file 的時候，系統和程式會把用你指定的編碼來解碼，這也是為什麼如果在瀏覽器上調編碼（例如切成 Big5）的時候會出現亂碼的關系－－因為對每一種編碼來說，怎麼去解釋哪一個 byte 是什麼意思是不一樣的。 : (2) 如果是我上述的方式, 那我想請問(binary file)是根據什麼編碼進行轉換成機器碼的? 看檔案格式，每一種檔案格式都會定義檔案裡的哪個 byte 是什麼意思，這樣程式才知道要怎麼解讀檔案裡那一連串的 010101 是幹嘛用的。如果是自己寫程式，也可以自己定義自己寫的檔案每一個 byte 代表什麼，你想要用 00000000 來代表整數 1 也沒人可以管你（只要你讀進來的時候處理好就好）。 : (3) unicode檔案(文字檔案) 轉成二進制檔案是直接將unicode編碼(\u5f35)轉成二進進制嗎? 首先，Unicode 其實有好幾個層面，你講的 \u5f35 應該是指 CodePoint， Unicode 的做法是會為每個字指定一個叫 CodePoint 的編號，但這只是概念上的編碼，至於實際上在電腦上要怎麼表示這個號碼，又有另外的規範。所以才會出現 UTF-8 / UTF-16 / UTF-32 這些東西，即便是同一個 CodePoint，在使用不同的編碼方式的時候，也都會有不同的把 CodePoint 轉成 010101 的方式。像 UTF-8 中，一個 CodePoint 可能會佔用 1 ~ 4 個 byte，但 UTF-16 的方式又不一樣，所以如果用 UTF-16 的方式去解析 UTF-8 的檔案，就會得到一大堆的亂碼。有興趣的話可以看一下這個網頁，說明的很清楚：http://tinyurl.com/cvultt -- ~ 白馬帶著她一步步地回到中原。白馬已經老了，只能慢慢地走， 'v' Brian Hsu 但終是能回到中原的。江南有楊柳、桃花，有燕子、金魚…… // \\ ( 墳墓 ) /( )\ 但這個美麗的姑娘就像古高昌國人那樣固執。【白馬嘯西風】 ^`~'^ http://brianhsu.moe 『那都是很好很好的，可我偏不喜歡。』 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 59.115.59.179 ※ 文章網址: https://www.ptt.cc/bbs/java/M.1431937429.A.C7D.html