乱码从哪来：GBK、Big5 和 UTF-8

适合谁看：打开文件、网页、表格时遇到乱码，想知道原因和解决办法的人。

字符集和编码方式

• 字符集：收哪些字、每个字什么编号（如 Unicode、GB 18030）；
• 编码方式：把编号变成字节存起来的规则（如 UTF-8、UTF-16、GBK）。

同一个「中」字，用 UTF-8 存是 3 个字节，用 GBK 存是 2 个字节。读的时候用错规则，就会得到乱码。

常见的中文编码

典型乱码现象

• 「锟斤拷」：一段文字曾经被替换成了替代字符「�」，再用 GBK 显示出来；原文已经丢失，无法还原；
• 「浣犲ソ」这类怪字：UTF-8 的文字被当成 GBK 读了，用正确的编码重新打开就能恢复；
• CSV 用 Excel 打开乱码：文件是 UTF-8 编码，Excel 按系统默认编码打开。可以在 Excel 中用「数据 → 从文本/CSV」导入并选择 UTF-8，或保存为带 BOM 的 UTF-8。

怎么避免

1. 统一用 UTF-8：网页、数据库、接口、文件都用 UTF-8；
2. 网页声明编码：<meta charset="utf-8"> 写在 <head> 最前面；
3. 数据库用完整的 UTF-8：例如 MySQL 要用 utf8mb4，见《人名、地名里的生僻字：系统怎么做》；
4. 和老系统交换数据时：明确约定编码，需要中文国标编码时用 GB 18030 而不是 GBK，GBK 存不下扩展区的生僻字。

乱码和方框不是一回事

乱码是编码问题，换字体没用；方框是字体缺字，换字体就好。区别见《生僻字为什么打不出、显示不了》。

参考资料