文本檔案與二進制檔案的編碼差别

網上關于文本檔案與二進制檔案的文章很多，但遺憾的是，這些文章講得都比較散。下面我将結合所查到的資料，從多個角度談談文本檔案與二進制檔案。

一、文本檔案與二進制檔案的定義

       大家都知道計算機的存儲在實體上是二進制的，是以文本檔案與二進制檔案的差別并不是實體上的，而是邏輯上的。這兩者隻是在編碼層次上有差異。

       簡單來說，文本檔案是基于字元編碼的檔案，常見的編碼有ascii編碼，unicode編碼等等。二進制檔案是基于值編碼的檔案，可以根據具體應用，指定某個值是什麼意思（這樣一個過程，可以看作是自定義編碼）。

       從上面可以看出文本檔案基本上是定長編碼的，基于字元，每個字元在具體編碼中是固定的，ascii碼是8個比特的編碼，unicode一般占16個比特。而二進制檔案可看成是變長編碼的，因為是值編碼，多少個比特代表一個值，完全由自定義決定。大家可能對bmp檔案比較熟悉，就拿它舉例子吧，其頭部是固定長度的檔案頭資訊，前2位元組用來記錄檔案為bmp格式，接下來的8個位元組用來記錄檔案長度，再接下來的4位元組用來記錄bmp檔案頭的長度。大家可以看出來，其編碼是基于值的（不定長的，2、4、8位元組長的值都有），是以bmp是二進制檔案。

二、文本檔案與二進制檔案的存取

       文本工具打開一個檔案的過程是怎樣的呢？拿記事本來說，它首先讀取檔案實體上所對應的二進制比特流（前面已經說了，存儲都是二進制的），然後按照所選擇的解碼方式來解釋這個流，然後将解釋結果顯示出來。一般來說，你選取的解碼方式會是ascii碼形式（ascii碼的一個字元是8個比特），接下來，它8個比特8個比特地來解釋這個檔案流。例如對于這麼一個檔案流"01000000_01000001_01000010_01000011"(下劃線”_”，是我為了增強可讀性，而手動添加的)，第一個8比特''01000000''按ascii碼來解碼的話，所對應的字元是字元''a''，同理其它3個8比特可分别解碼為''bcd''，即這個檔案流可解釋成"abcd"，然後記事本就将這個"abcd"顯示在螢幕上。

       事實上，世界上任何東西要與其他東西通信會話，都存在一個既定的協定，既定的編碼規範。人與人之間通過文字聯絡，如在漢語中，漢字“媽”代表生育你的那個人，這就是一種既定的編碼。但注意到這樣一種情況，漢字“媽”在日本文字裡有可能是你生育下的那個人，是以當一個中國人a與日本人b之間用“媽”這個字進行交流，出現誤解就很正常的。用記事本打開二進制檔案與上面的情況類似。記事本無論打開什麼檔案都按既定的字元編碼工作（如ascii碼），是以當他打開二進制檔案時，出現亂碼也是很必然的一件事情了，原因就在于解碼和譯碼不對應。例如檔案流''00000000_00000000_00000000_00000001''可能在二進制檔案中對應的是一個四位元組的整數int 1，但在記事本裡解釋就變成了"null_null_null_soh"這四個控制符。

       文本檔案的存儲與其讀取基本上是個逆過程，不再贅述。而二進制檔案的存取顯然與文本檔案的存取差不多，隻是編解碼方式不同而已，也不再叙述。

三、文本檔案與二進制檔案的優缺點

       因為文本檔案與二進制檔案的差別僅僅是編碼上不同，是以他們的優缺點就是編碼的優缺點，這個找本編碼的書來看看就比較清楚了。一般認為，文本檔案編碼基于字元定長，譯碼容易些；二進制檔案編碼是變長的，是以它靈活，存儲使用率要高些，譯碼難一些（不同的二進制檔案格式，有不同的譯碼方式）。關于空間使用率，想想看，二進制檔案甚至可以用一個比特來代表一個意思(位操作)，而文本檔案任何一個意思至少是一個字元．

       很多書上還認為，文本檔案的可讀性要好些，存儲要花費轉換時間(讀寫要編譯碼)， 而二進制檔案可讀性差，存儲不存在轉換時間（讀寫不要編解碼，直接寫值）。這裡的可讀性是從軟體使用者角度來說的，因為我們用通用的記事本工具就幾乎可以浏覽所有文本檔案，是以說文本檔案可讀性好；而讀寫一個具體的二進制檔案需要一個具體的檔案解碼器，是以說二進制檔案可讀性差，比如讀bmp檔案，必須用讀圖軟體。而這裡的存儲轉換時間應該是從程式設計的角度來說的，因為有些作業系統如windows需要對回車換行符進行轉換(将''/n''，換成''/r/n''，是以檔案讀寫時，作業系統需要一個一個字元的檢查目前字元是不是''/n''或''/r/n'').這個在存儲轉換在linux作業系統中并不需要，當然，當在兩個不同的作業系統上共享檔案時，這種存儲轉換又可能出來(如linux系統和windows系統共享文本檔案)。

四、c的文本讀寫和二進制讀寫

       應該說c的文本讀寫與二進制的讀寫是一個程式設計層次上的問題，與具體的作業系統有關，是以“用文本方式讀寫的檔案一定是文本檔案，用二進制讀寫的檔案一定是二進制檔案”這類觀點是錯誤的。下面的講述非明确指出作業系統類型，都暗指windows。c的文本方讀寫與二進制讀寫的差别僅僅展現在回車換行符的處理上。文本方式寫時，每遇到一個''/n''(0ah換行符)，它将其換成''/r/n''(0d0ah，回車換行)，然後再寫入檔案；當文本讀取時，它每遇到一個''/r/n''将其反變化為''/n''，然後送到讀緩沖區。正因為文本方式有''/n''－－''/r/n''之間的轉換，其存在轉換耗時。二進制讀寫時，其不存在任何轉換，直接将寫緩沖區中資料寫入檔案。

總地來說，從程式設計的角度來說，Ｃ中文本或二進制讀寫都是緩沖區與檔案中二進制流的互動，隻是文本讀寫時有回車換行的轉換。是以當寫緩沖區中無換行符''/n''(0ah)，文本寫與二進制寫的結果是一樣的，同理，當檔案中不存在''/r/n''(0dh0ah)時，文本讀與二進制讀的結果一樣。

下面給出一個小程式來證明前面的觀點。

1、編寫如下程式。該程式将字元串"12/n3"分别以文本方式和二進制方式寫入test1和test2，然後再以文本方式讀test1，以二進制方式讀test2。

2、該程式在vc6.0下編譯運作，顯示結果如下：

3、用記事本打開test1和test2，結果如下：

4、用vc6.0以binary方式(二進制方式)打開test1和test2，結果如下（用其他二進制讀寫軟體也可以）　

5、總結

    從4可以看出，文本方式寫時，存在''/n''->''/r/n''的轉換，而二進制方式無轉換。又從2和4可以推出，文本方式讀時存在''/r/n''->至''/n''的轉換，而二進制方式無轉換。有興趣的讀者可以嘗試以二進制方式讀test1或以文本方式讀test2，看會出現什麼效果。

6．補充說明

上述說明僅适用于windows，在unix/linux中文本方式的讀寫與二進制方式的讀寫無差别，不存在回車換行間的轉換。unix/linux并沒有區分這兩種檔案，他們對所有檔案一視同仁，将所有檔案都看成二進制檔案。标準i/o庫中 主要使用 fread/fwrite來讀寫二進制檔案，而對于文本檔案可以使用 fread/fwrite/fgetc/fputc fprintf等等。

轉載位址：http://blog.csdn.net/do2jiang/article/details/5863135