第八章 磁盘文件数据存储方式.doc

磁盘文件数据存储方式 在介绍各种操作文件方式之前，需要先介绍磁盘上文件数据的组织方式。 实际上，文件是在计算机内存中以二进制表示的数据在外部存储介质上的另一种存放形式。文件通常分为二进制文件和文本文件。根据数据的组织的形式，可分为 ASCII文件和二进制文件。ASCII文件又称文本文件，它的每一个字节放一个ASCII代码，代表一个字符。 二进制文件是把内存中的数据按其在内存中的存储形式原样输出到磁盘上存放。 如果有一个整数10000，在内存中占2个字节，如果按ASCII码形式输出，则占5个字节，而按二进制形式输出 在磁盘上只占2个字节。 用ASCII码形式输出与字符一一对应，一个字节代表一个字符因而便于对字符进行逐个处理，也便于输出字符 。但一般占存储空间较多，而且要花费转换时间。 用二进制形式输出数值，可以节省外存空间和转换时间，但一个字节并不对应一个字符，不能直接输出字符 形式。 一般中间结果数据需要暂时保存在外存上，以后又需要输入到内存的，常用二进制文件保存。 ????????????????????????????????????? ASCII形式 0011000000110000?? 内存中的存储形式 ??00010000 ????????????????????????????????????? 二进制形式 00010000比如在内存中数据00111001 (十进制为12345)?在磁盘上可以以AS码存储为0011001000110100 1 2 3 4 5 二进制存储格式00111001字符，字节和编码 摘要：本文介绍了字符与编码的发展过程，相关概念的正确理解。举例说明了一些实际应用中，编码的实现方法。然后，本文讲述了通常对字符与编码的几种误解，由于这些误解而导致乱码产生的原因，以及消除乱码的办法。本文的内容涵盖了“中文问题”，“乱码问题”。 掌握编码问题的关键是正确地理解相关概念，编码所涉及的技术其实是很简单的。因此，阅读本文时需要慢读多想，多思考。 引言 “字符与编码”是一个被经常讨论的话题。即使这样，时常出现的乱码仍然困扰着大家。虽然我们有很多的办法可以用来消除乱 码，但我们并不一定理解这些办法的内在原理。而有的乱码产生的原因，实际上由于底层代码本身有问题所导致的。因此，不仅是初学者会对字符编码感到模糊，有 的底层开发人员同样对字符编码缺乏准确的理解。 1. 编码问题的由来，相关概念的理解 1.1 字符与编码的发展 从计算机对多国语言的支持角度看，大致可以分为三个阶段： 　 系统内码 说明 系统 阶段一 ASCII 计算机刚开始只支持英语，其它语言不能够在计算机上存储和显示。 英文 DOS 阶段二 ANSI编码（本地化） 为使计算机支持更多语言，通常使用 0x80~0xFF 范围的 2 个字节来表示 1 个字符。比如：汉字 中 在中文操作系统中，使用 [0xD6,0xD0] 这两个字节存储。不同的国家和地区制定了不同的标准，由此产生了 GB2312, BIG5, JIS 等各自的编码标准。这些使用 2 个字节来代表一个字符的各种汉字延伸编码方式，称为 ANSI 编码。在简体中文系统下，ANSI 编码代表 GB2312 编码，在日文操作系统下，ANSI 编码代表 JIS 编码。不同 ANSI 编码之间互不兼容，当信息在国际间交流时，无法将属于两种语言的文字，存储在同一段 ANSI 编码的文本中。 中文 DOS，中文 Windows 95/98，日文 Windows 95/98 阶段三 UNICODE（国际化） 为了使国际间信息交流更加方便，国际组织制定了 UNICODE 字符集，为各种语言中的每一个字符设定了统一并且唯一的数字编号，以满足跨语言、跨平台进行文本转换、处理的要求。 Windows NT/2000/XP，Linux，Java 字符串在内存中的存放方法： 在 ASCII 阶段，单字节字符串使用一个字节存放一个字符（SBCS）。比如，Bob123 在内存中为： 42 6F 62 31 32 33 00 B o b 1 2 3 \0 在使用 ANSI 编码支持多种语言阶段，每个字符使用一个字节或多个字节来表示（MBCS），因此，这种方式存放的字符也被称作多字节字符。比如，中文123 在中文 Windows 95 内存中为7个字节，每个汉字占2个字节，每个英文和数字字符占1个字节： D6 D0 CE C4 31 32 33 00 中