Skip to main content
Re:Linked

乱码恢复指北

· #tech · 约 5.0k 字
本文距离上次更新已经超过 900 天。因此，其中的信息可能已经过时。

tl;dr：需要恢复乱码的访客可使用此类服务，或参考下面的例子与您需要恢复的乱码进行对照。

本文尝试对各种乱码的特征进行描述，并给出在各种编码中转换的一些方案。

记得原来看到过一张很简明的关于乱码的解释图，不过找不到了。有那张图的同学希望能告诉我一下。

2020/02 更新：Misaka00251 有找到那张图发在群组里，这里把它转译为文本放在末尾了。

什么编码？

这里我们讨论最常见的几个：Windows-1252（CP-1252）、GBK（以及 GB2312。GBK 范围稍大且兼容 GB2312，故取此）、Big5（大五码，常用于繁体中文）、Shift-JIS（常用于日文）。

当然还有遍地开花的 UTF-8。

长什么样？

以下列举出各种编码的特征。不同编码服务于不同的文字类型，因此其字符表中的内容也不同，乱码的特征也不同。幸运的是，（半角）英文字符和数字通常不受影响，它们在这些编码中转换的时候不会出现问题。

Windows-1252

Windows-1252 大概是最好区分的。它是拉丁字母的编码，所以被以 Windows-1252 解码的结果是没有汉字的。只有以下内容：

Windows-1252 char table

（图源：Wikimedia Commons）

另外，它与 ISO 8859-1 非常相似，也常有人把 Windows-1252 当作 ISO 8859-1 宣告。WHATWG 的标准中是要求把以 ISO 8859-1 宣告的文本当作 Windows-1252 编码来解析的。

举几个乱码的例子：

  • 巡音ルカ (GBK) -> ѲÒô¥ë¥« (Windows-1252)
  • 巡音ルカ (UTF-8) -> 巡音ルカ (Windows-1252)

GBK 和 Big5

这两种编码的结果比较像。因为其中编码的多是汉字，所以其它编码的字符以它们解码得到的常是「汉字的集合（非常用汉字占绝大部分）」（UTF-8 -> GBK、UTF-8 -> Big5 或 GBK <-> Big5），或是一堆不可识别字符和 tofu（方块）。例如：

  • 我能吞下玻璃而不伤身体。 (GBK) -> 扂夔迒狟產薛奧祥夼旯极﹝ (Big5)
  • 我能吞下玻璃而不傷身體。 (Big5) -> и唰]U良τぃ端ō砰C (GBK, errors='ignore')
    • （这里使用了繁体的原因是「伤」字在 Big5 中无编码。）
  • 我能吞下玻璃而不伤身体。 (UTF-8) -> 鎴戣兘鍚炰笅鐜荤拑鑰屼笉浼よ韩浣撱 (GBK, errors='ignore')
  • 我能吞下玻璃而不伤身体。 (UTF-8) -> 賢銝餌銝隡方澈雿 (Big-5, errors='ignore')

（这句话的来源，参见这里。）

顺便也用ルカ测试一下：

  • 巡音ルカ (Shift-JIS) -> 弰壒儖僇 (GBK)
  • 巡音ルカ (Shift-JIS) -> J (Big5, errors='ignore')
    • （可见的严重信息损失）

Shift-JIS

刚才说过了，这是给日文用的编码。因此，被以 Shift-JIS 解码的结果自然是日文居多，更明显的特征是有相当多的半长文字。英文同样不受影响。

举几个乱码的例子：

  • 巡音ルカ (GBK) -> 蟾｡髻ｳ繝ｫ繧ｫ (Shift-JIS)
  • 巡音ルカ (UTF-8) -> ﾑｲﾒ･･ｫ (Shift-JIS, errors='ignore')
  • 巡音ルカ (BIG5) -> ｨｵｭｵﾇ･ﾇC (Shift-JIS)

UTF-8

UTF-8 由于其目标远大（说白了，什么字都有，再带上 emoji），所以以其解码的结果中什么都有可能出现，无论是汉字、日文，还是符号。甚至有时候可以幸运地凑出组合字符。

  • 袩褉懈胁械虂褌 (GBK) -> Приве́т (UTF-8)
  • 啶ㄠぎ啶膏嵿い啷 (GBK) -> नमसत (UTF-8, errors='ignore')

如何在各种编码中转换？

最方便的方案是用类似这样的网站（或者 r12a 的编码转换工具 ，感谢 RainSlide 推荐）。如果没有的话，Python 也行。

转换编码，可以这么做（Python 3 环境）：

"以 ENCODING_A 编码的字符串".encode('ENCODING_A').decode('ENCODING_B')

Python 3 会把原来的字符串以 ENCODING_A 编码，转换至 Unicode 字符集的 byte，再以 ENCODING_B 解码。如果编码或解码出问题的话（例如码表里没有这个字符），会报 UnicodeEncodeError 或 UnicodeDecodeError。如果想忽略错误的话，在相应的地方加入参数 errors='ignore' 即可，像是：

"以 ENCODING_1 编码的字符串".encode('ENCODING_A', errors='ignore').decode('ENCODING_B', errors='ignore') # 暴力编码+解码

而如果要解码二进制字符串，可以这么做：

b'\xaa\xbb\xcc'.decode('ENCODING')

那么锟斤拷、烫烫烫、屯屯屯和锘锘锘呢？

In a nutshell: 「锟斤拷」是连续的 UTF-8 容错字符以 GBK 解码的结果。

b'\xef\xbf\xbd\xef\xbf\xbd'.decode('gbk') # -> '锟斤拷'

「烫烫烫」和「屯屯屯」是 MSVC 填充未初始化内存的字节以 GBK 解码的结果。

b'\xcd\xcd\xcd\xcd\xcd\xcd'.decode('gbk') # -> '屯屯屯'
b'\xcc\xcc\xcc\xcc\xcc\xcc'.decode('gbk') # -> '烫烫烫'

「锘锘锘」则是 UTF-8 BOM 以 GBK 解码的结果。

b'\xef\xbb'.decode('gbk') # -> '锘'

（怎么都特么是 GBK 的锅）

参考来源：

所以...为什么水了这篇文？

下载的一些 VOCALOID 歌曲（其中不小的一部分来自网易云）的元数据标签是 GBK 编码的，Rhythmbox（以及 Lollypop 还有 kid）会以 Windows-1252 来解码，于是播放列表的显示就爆炸了。

反正我是真切地记住了 ³õÒô¥ß¥¯ (Windows-1252) => 初音ミク (GBK)。看这乱码，多整齐啊。

附注：常见编解码错误表

名称举例特点产生原因
「古文码」鎴戣兘鍚炰笅鐜荤拑鑰屼笉浼よ韩浣撱大部分为不认识的古文，夹杂日韩文以 GBK 方式读取 UTF-8 编码的中文
这个在上文中提到过。被误以 GBK 和 Big-5 解码经常会得到看起来像中日韩文字的结果。运气好的时候能全部或大部分恢复。
「口字码」���������������大部分字符为方块以 UTF-8 的方式读取 GBK 编码的中文
这个方块是对不能显示的字符的替换符号，码位是 0xFFFD。通常来说内容是不能恢复的了。
「符号码」巡音ルカ大部分字符为符号以 ISO8859-1 方式读取 UTF-8 编码的中文
（见下条。）
「拼音码」ѲÒô¥ë¥«大部分字符为头顶带有各种声调符号的字母以 ISO8859-1 方式读取 GBK 编码的中文
上两条指的就是上文中提到的 Windows-1252 的例子。因为多是可见符号，显示上也没什么问题，所以很多时候可以完全恢复。
「问句码」我能吞下玻璃而不伤身??字符串长度为偶数时正确，字符串长度为奇数时最后的字符变为问号以 GBK 方式读取 UTF-8 编码的中文（然后保存），然后又用 UTF-8 格式再次读取
由于编码特性问题，用 GBK 保存 UTF-8 文档可能会有内容损失。至于那俩问号...只是问号而已，最后的一个字是找不回来的。
「锟拷码」锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷全中文字符，且大部分字符为「锟斤拷」这几个字符以 UTF-8 方式读取 GBK 编码的中文，然后又用 GBK 格式再次读取
这个在上文也提到过。显然在这种案例下，内容是不可恢复的了。

其实，其实，这里最优雅的方案应是 Musicbrainz Picard（或类似产品）。

评论

LIKE