欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

重学计算机组成原理(十)- "烫烫烫"乱码的由来

程序员文章站 2022-12-21 11:02:58
程序 = 算法 + 数据结构 对应到计算机的组成原理(硬件层面) 算法 各种计算机指令 数据结构 二进制数据 计算机用0/1组成的二进制,来表示所有信息 程序指令用到的机器码,是使用二进制表示的 存储在内存里面的字符串、整数、浮点数也都是用二进制表示的 万物在计算机里都是0和1,搞清楚各种数据在二进 ......

重学计算机组成原理(十)- "烫烫烫"乱码的由来

程序 = 算法 + 数据结构

对应到计算机的组成原理(硬件层面)

  • 算法 --- 各种计算机指令
  • 数据结构 --- 二进制数据

计算机用0/1组成的二进制,来表示所有信息

  • 程序指令用到的机器码,是使用二进制表示的
  • 存储在内存里面的字符串、整数、浮点数也都是用二进制表示的

万物在计算机里都是0和1,搞清楚各种数据在二进制层面是怎么表示的,是我们的必修课。

在实际应用中最常遇到的问题,也就是文本字符串是怎么表示成二进制的,特别是我们会遇到的乱码究竟是怎么回事儿

在开发的时候,所说的unicode和utf-8之间有什么关系。

理解了这些,相信以后遇到任何乱码问题,你都能手到擒来了。

1 理解二进制的“逢二进一”

二进制和我们平时用的十进制,并没有本质区别,只是平时是“逢十进一”,这里变成了“逢二进一”

每一位,相比于十进制下的0~9这十个数字,我们只能用0和1这两个数字。

任何一个十进制的整数,都能通过二进制表示出来

把一个二进制数,对应到十进制,非常简单,就是把从右到左的第n位,乘上一个2的n次方,然后加起来,就变成了一个十进制数

当然,既然二进制是一个面向程序员的“语言”,这个从右到左的位置,自然是从0开始的。

比如_0011_这个二进制数,对应的十进制表示,就是

\(0×2^3+0×2^2+1×2^1+1×2^0\)
\(=3\)

代表十进制的3

对应地,如果我们想要把一个十进制的数,转化成二进制,使用短除法就可以了

也就是,把十进制数除以2的余数,作为最右边的一位。然后用商继续除以2,把对应的余数紧靠着刚才余数的右侧,这样递归迭代,直到商为0就可以了。

  • 比如,我们想把13这个十进制数,用短除法转化成二进制,需要经历以下几个步骤:
    重学计算机组成原理(十)- "烫烫烫"乱码的由来
    因此,对应的二进制数,就是1101

刚才我们举的例子都是正数,对于负数来说,情况也是一样的吗?

我们可以把一个数最左侧的一位,当成是对应的正负号,比如0为正数,1为负数,这样来进行标记。

这样,一个4位的二进制数, 0011就表示为+3。而1011最左侧的第一位是1,所以它就表示-3。这个其实就是整数的原码表示法

原码表示法有一个很直观的缺点就是,0可以用两个不同的编码来表示,1000代表0, 0000也代表0。习惯万事一一对应的程序员看到这种情况,必然会被“逼死”。

于是,我们就有了另一种表示方法。我们仍然通过最左侧第一位的0和1,来判断这个数的正负。但是,我们不再把这一位当成单独的符号位,在剩下几位计算出的十进制前加上正负号,而是在计算整个二进制值的时候,在左侧最高位前面加个负号。

比如,一个4位的二进制补码数值1011,转换成十进制,就是

\(-1×2^3+0×2^2+1×2^1+1×2^0\)
\(=-5\)

如果最高位是1,这个数必然是负数;最高位是0,必然是正数。并且,只有0000表示0,1000在这样的情况下表示-8。一个4位的二进制数,可以表示从-8到7这16个整数,不会白白浪费一位。

当然更重要的一点是,用补码来表示负数,使得我们的整数相加变得很容易,不需要做任何特殊处理,只是把它当成普通的二进制相加,就能得到正确的结果。

我们简单一点,拿一个4位的整数来算一下,比如 -5 + 4 = -1,-5 + 6 = 1

我们各自把它们转换成二进制来看一看。如果它们和无符号的二进制整数的加法用的是同样的计算方式,这也就意味着它们是同样的电路。

重学计算机组成原理(十)- "烫烫烫"乱码的由来

2 字符串的表示,从编码到数字

不仅数值可以用二进制表示,字符乃至更多的信息都能用二进制表示

最典型的例子就是字符串(character string)

最早计算机只需要使用英文字符,加上数字和一些特殊符号,然后用8位的二进制,就能表示我们日常需要的所有字符了,这个就是我们常常说的ascii码(american standard code for information interchange,美国信息交换标准代码)

重学计算机组成原理(十)- "烫烫烫"乱码的由来

ascii码就好比一个字典,用8位二进制中的128个不同的数,映射到128个不同的字符里

比如,小写字母a在ascii里面,就是第97个,也就是二进制的0110 0001,对应的十六进制表示就是 61。而大写字母 a,就是第65个,也就是二进制的0100 0001,对应的十六进制表示就是41。

在ascii码里面,数字9不再像整数表示法里一样,用0000 1001来表示,而是用0011 1001 来表示。字符串15也不是用0000 1111 这8位来表示,而是变成两个字符1和5连续放在一起,也就是 0011 0001 和 0011 0101,需要用两个8位来表示。

我们可以看到,最大的32位整数,就是2147483647。如果用整数表示法,只需要32位就能表示了。但是如果用字符串来表示,一共有10个字符,每个字符用8位的话,需要整整80位。比起整数表示法,要多占很多空间。

这也是为什么,很多时候我们在存储数据的时候,要采用二进制序列化这样的方式,而不是简单地把数据通过csv或者json,这样的文本格式存储来进行序列化。不管是整数也好,浮点数也好,采用二进制序列化会比存储文本省下不少空间。

ascii码只表示了128个字符,一开始倒也堪用,毕竟计算机是在美国发明的

然而随着越来越多的不同国家的人都用上了计算机,想要表示譬如中文这样的文字,128个字符显然是不太够用的。于是,计算机工程师们开始各显神通,给自己国家的语言创建了对应的字符集(charset)和字符编码(character encoding)

字符集

表示的可以是字符的一个集合

比如“中文”就是一个字符集,不过这样描述一个字符集并不准确

想要更精确一点,我们可以说,“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

我们上面说的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,我们也可以自己发明一套 gt-32 编码,比如就叫作geek time 32好了。只要别人知道这套编码规则,就可以正常传输、显示这段代码。

重学计算机组成原理(十)- "烫烫烫"乱码的由来

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。

没有经验的同学,在看到程序输出“烫烫烫”的时候,以为是程序让cpu过热发出报警,于是尝试给cpu降频来解决问题。

既然今天要彻底搞清楚编码知识,我们就来弄清楚“锟斤拷”和“烫烫烫”的来龙去脉。

“锟斤拷”的来源

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decode,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。

3 总结延伸

到这里,相信你发现,我们可以用二进制编码的方式,表示任意的信息。只要建立起字符集和字符编码,并且得到大家的认同,我们就可以在计算机里面表示这样的信息了。所以说,如果你有心,要发明一门自己的克林贡语并不是什么难事。

不过,光是明白怎么把数值和字符在逻辑层面用二进制表示是不够的。我们在计算机组成里面,关心的不只是数值和字符的逻辑表示,更要弄明白,在硬件层面,这些数值和我们一直提的晶体管和电路有什么关系。下一讲,我就会为你揭开神秘的面纱。我会从时钟和d触发器讲起,最终让你明白,计算机里的加法,是如何通过电路来实现的。

4 推荐阅读

  • 《编码:隐匿在计算机软硬件背后的语言》
    重学计算机组成原理(十)- "烫烫烫"乱码的由来
    从电报机到计算机,这本书讲述了很多计算设备的历史故事,当然,也包含了二进制及其背后对应的电路原理。

参考

  • 深入浅出计算机组成原理