ubuntu下一个乱码问题引起的思考和学习

        在这个链接：http://ishare.iask.sina.com.cn/f/23896156.html?retcode=0下载了一个rar压缩文件--《NS2仿真实验》的源代码，使用sudo apt-get install unrar，下载这个解压缩工具，解压缩之后出现了乱码。找了下，可以用iconv命令来转换格式，一般windows下的编码格式为gbk，我就是使用：

iconv -f gbk -t utf-8 lab3.tcl

#lab3.tcl是压缩包中的一个乱码文件。
打开文件依然是乱码，这时还是没有想到是字符编码的问题（对这块不太熟）。

听同学说ark这个软件解压缩不会出现乱码，但依然出现了乱码，倒是无意可以打开文件，如图：

      从图片可以看出字符的编码方式是繁体字，BIG5格式。这样，就知道了格式，使用命令转换一下，就可以轻松解决问题：

iconv -f big5 -t utf8 lab3.tcl

     接着解决问题：

1.由于是整个压缩文件基本全是乱码，所以需要全部转换，批处理可以使用shell脚本（自己还没学好，囧），等会了再补上。

 2.如何知道原来的编码方式是big5？百度了一下，可以使用file 文件名，查看文件的信息。

    百度了一下，找到了一个比较好用的傻瓜式命令：enca（没有安装的，先使用sudo apt-get install enca，来安装）。该命令可以查看文件编码方式，可以转单个文件的格式，也可以转整个目录下的文件的格式。其使用方式如下：

enca -L zh_CN file #检查文件的编码
enca -L zh_CN -x UTF-8 file  #将文件编码转换为"UTF-8"编码
enca -L zh_CN -x UTF-8 < file1 > file2  #将文件编码转换为"UTF-8"编码，创建新的文件来保存
enca -L zh_CN -x utf-8 * #将目录下的文件全部转成UTF-8格式，并覆盖原文件

下面是自己的关于字符编码的一些学习。关于字符编码的历史和规则可以参见：

http://www.cnblogs.com/skynet/archive/2011/05/03/2035105.html。

http://blog.csdn.net/stilling2006/article/details/4129700

常见字符集名称：ASCII字符集、GB2312字符集、BIG5字符集、GB18030字符集、Unicode字符集等。

英文字符不是象形字符，用一个字节足以表示，实际ASCII只用了128个（7位），但表示有限，只能表示基本的26个拉丁字母，欧洲标准EASCII对此做了扩展，使用8位，可以表示更多的欧洲常用字符。

当中国有了计算机之后，中文以及东亚其他地方的语言是象形文字，常用字符多达上千个，自然就想到了用双字节来编码（大概就是一个94*94的数组，数组里面放汉字，可以通过数组的下表来找到对应的汉字？），把在ASIC中的字符也编进去了，这就是说的“全角”字符，而在127号以下的字符就是“半角”字符了。GB2312基本满足了汉字处理的需求，但一些人名、古汉语中的罕见字不能表示，这就导致了后面GBK字符集的出现。

编码GB是指国标（当然只中国的标准），GBK是国标扩展的意思，GBK向下兼容GB2312，向上支持ISO 10646.1标准，也采用双字节表示，总体编码范围是0x8140-0xFEFE，首字节在81-FE，尾字节在40-FE之间。

BIG5是针对繁体汉字的汉字编码，在香港、台湾和澳门等地区通用，在2003年才获得了比较正式的地位，最新版本是：BIG5-2003。

ISO-2022CJK编码：是国际标准组织为各种语言制定的编码标准，双字节编码，汉语是CN，日语和韩语分别是JP和KR，合在一起就是CJK码。

这样就出现了一个字节表示一个字符还是半个字符的问题。Unicode（Universal code，通用码）的诞生就是为了解决这个问题，Unicode是宽字节字符集，所有的字符均固定的采用双字节表示。可以这样理解，unicode是字符集，UTF-8、UTF-16（2个字节）、UTF-32（4个字节）是编码方式。关于字节存储，不同的操作系统又存在大端存储和小端存储的区别。UTF-8是一种针对unicode的可变长度字符编码（定长码）。UTF-8不再存在字节顺序的问题。