文本文件与二进制文件的编码差别

Myth丶恋晨 2022-08-23 11:55 235阅读 0赞

网上关于文本文件与二进制文件的文章很多，但遗憾的是，这些文章讲得都比较散。下面我将结合所查到的资料，从多个角度谈谈文本文件与二进制文件。

# 一、文本文件与二进制文件的定义 #

大家都知道计算机的存储在物理上是二进制的，所以文本文件与二进制文件的区别并不是物理上的，而是逻辑上的。这两者只是在编码层次上有差异。简单来说，**文本文件是基于字符编码的文件**，常见的编码有ASCII编码，UNICODE编码等等；**二进制文件是基于值编码的文件**，可以根据具体应用，指定某个值是什么意思（这样一个过程，可以看作是自定义编码）。

从上面可以看出文本文件基本上是定长编码的，它是基于字符，每个字符在具体编码中是固定的，ASCII码是8个比特的编码，UNICODE一般占16个比特。对于二进制文件，它可看成是变长编码的，因为是值编码，多少个比特代表一个值，完全由自定义决定。

例如，对于BMP文件，其头部是固定长度的文件头信息，前2字节用来记录文件为BMP格式，接下来的8个字节用来记录文件长度，再接下来的4字节用来记录BMP文件头的长度。可以得出，BMP文件的编码过程是基于值的（不定长的，2、4、8字节长的值都有），因此BMP是二进制文件。

# 二、文本文件与二进制文件的存取 #

文本工具打开一个文件的过程是怎样的呢？例如记事本，它首先读取文件物理上所对应的二进制比特流（前面已经说了，存储都是二进制的），然后按照所选择的解码方式来解释这个流，然后将解释结果显示出来。一般来说，你选取的解码方式会是ASCII码形式（ASCII码的一个字符是8个比特），接下来，它8个比特8个比特地来解释这个文件流。例如对于这么一个文件流"01000000\_01000001\_01000010\_01000011"（下划线"\_"是为了增强可读性而手动添加的），第一个8比特''01000000''按ASCII码来解码的话，所对应的字符是字符''A''，同理其它3个8比特可分别解码为''BCD''，即这个文件流可解释成"ABCD"，然后记事本就将这个"ABCD"显示在屏幕上。

事实上，世界上任何东西要与其他东西通信会话，都存在一个既定的协议，既定的编码规范。人与人之间通过文字联络，如在汉语中，汉字“妈”代表生育你的那个人，这就是一种既定的编码。但注意到这样一种情况，汉字“妈”在日本文字里有可能是你生育下的那个人，所以当一个中国人A与日本人B之间用“妈”这个字进行交流，出现误解就很正常的。用记事本打开二进制文件与上面的情况类似。记事本无论打开什么文件都按既定的字符编码工作（如ASCII码），所以当他打开二进制文件时，出现乱码也是很必然的一件事情了，原因就在于解码和译码不对应。例如文件流''00000000\_00000000\_00000000\_00000001''可能在二进制文件中对应的是一个四字节的整数int 1，但在记事本里解释就变成了"NULL\_NULL\_NULL\_SOH"这四个控制符。

文本文件的存储与其读取基本上是个逆过程，不再赘述。而二进制文件的存取显然与文本文件的存取差不多，只是编解码方式不同而已，也不再叙述。

# 三、文本文件与二进制文件的优缺点 #

因为文本文件与二进制文件的区别仅仅是编码上不同，因此它们的优缺点就是编码的优缺点。一般认为，文本文件编码基于字符定长，译码容易些；二进制文件编码是变长的，所以它灵活，存储利用率要高些，译码难一些（不同的二进制文件格式，有不同的译码方式）。关于空间利用率，二进制文件是优于文本文件的，二进制文件甚至可以用一个比特来代表一个意思(位操作)，而文本文件任何一个意思至少是一个字符。

另外，文本文件的可读性要好些，存储要花费转换时间(读写要编译码)， 而二进制文件可读性差，存储不存在转换时间（读写不要编解码，直接写值）。这里的可读性是从软件使用者角度来说的，因为我们用通用的记事本工具就几乎可以浏览所有文本文件，所以说文本文件可读性好；而读写一个具体的二进制文件需要一个具体的文件解码器，所以说二进制文件可读性差，比如读bmp文件，必须用读图软件。而这里的存储转换时间应该是从编程的角度来说的，因为有些操作系统如Windows需要对回车换行符进行转换(将''/n''，换成''/r/n''，所以文件读写时，操作系统需要一个一个字符的检查当前字符是不是''/n''或''/r/n'').这个在存储转换在Linux操作系统中并不需要，当然，当在两个不同的操作系统上共享文件时，这种存储转换又可能出来(如Linux系统和Windows系统共享文本文件)。

# 四、C的文本读写和二进制读写 #

应该说C的文本读写与二进制的读写是一个编程层次上的问题，与具体的操作系统有关，所以“用文本方式读写的文件一定是文本文件，用二进制读写的文件一定是二进制文件”这类观点是错误的。下面的讲述非明确指出操作系统类型，都暗指Windows。C的文本方读写与二进制读写的差别仅仅体现在回车换行符的处理上。文本方式写时，每遇到一个''/n''(0AH换行符)，它将其换成''/r/n''(0D0AH，回车换行)，然后再写入文件；当文本读取时，它每遇到一个''/r/n''将其反变化为''/n''，然后送到读缓冲区。正因为文本方式有''/n''－－''/r/n''之间的转换，其存在转换耗时。二进制读写时，其不存在任何转换，直接将写缓冲区中数据写入文件。

总地来说，从编程的角度来说，Ｃ中文本或二进制读写都是缓冲区与文件中二进制流的交互，只是文本读写时有回车换行的转换。所以当写缓冲区中无换行符''/n''(0AH)，文本写与二进制写的结果是一样的，同理，当文件中不存在''/r/n''(0DH0AH)时，文本读与二进制读的结果一样。

下面给出一个小程序来证明前面的观点：

**1、编写如下程序。该程序将字符串"12/n3"分别以文本方式和二进制方式写入test1和test2，然后再以文本方式读test1，以二进制方式读test2。**

#include<stdio.h>
    int main()
    {
        FILE * fp_text,* fp_binary;
        char write_buf[4]={'1','2','/n','3'};
        char read_buf_text[6],read_buf_binary[6];
        int read_count_text,read_count_binary;
        //未检测打开是否失败
        fp_text=fopen("test1","wt+");
        fp_binary=fopen("test2","wb+");
        fwrite(write_buf,4,1,fp_text);
        fwrite(write_buf,4,1,fp_binary);
        //fflush(fp_text);
        //fflush(fp_binary);
     
        fseek(fp_text,0L,SEEK_SET);//fseek附带了fflush功能
        fseek(fp_binary,0L,SEEK_SET);
        read_count_text=fread(read_buf_text,sizeof(char),5,fp_text);
        read_count_binary=fread(read_buf_binary,sizeof(char),5,fp_binary);
        //加''/0''，便于打印字符串
        read_buf_text[read_count_text]='/0';
        read_buf_binary[read_count_binary]='/0';
        printf("In Text Mode:read_count=%d,string=%s/n",read_count_text,read_buf_text);
        printf("In Binary Mode:read_count=%d,string=%s/n",read_count_binary,read_buf_binary);
        fclose(fp_text);
        fclose(fp_binary);     
        return 0;　
    }

**2、编译运行，显示结果如下：**

In Text Mode:read_count=4,string=12
    3                           
    //文本方式读test1，读到的字符与原先写入test1的字符一样
    In Binary Mode:read_count=4,string=12
    3                           
    //二进制方式读test2，读到的字符与原先写入test2的字符一样

**3、用记事本打开test1和test2，结果如下：**

test1的内容：
    12
    3           
    //文本方式写入的，有换行效果，参看下面的4
    test2的内容：
    123         
    //二进制方式写入的，无换行效果(记事本对"/r/n"之外的控制字符串无显示效果)，参看下面的4

**4、以Binary方式(二进制方式)打开test1和test2，结果如下：　**

test1的内容：
    31 32 0D 0A 33
    //十六进制，5个字节，比写入缓冲区多了一个字节，在"/n"(0AH)前插了一个"/r"(0DH)
    test2的内容：
    31 32 0A 33
    //十六进制，4个字节，与写入缓冲区的值一致

**5、总结**

从4可以看出，文本方式写时，存在''/n''->''/r/n''的转换，而二进制方式无转换。又从2和4可以推出，文本方式读时存在''/r/n''->至''/n''的转换，而二进制方式无转换。有兴趣的读者可以尝试以二进制方式读test1或以文本方式读test2，看会出现什么效果。

**6．补充说明**

上述说明仅适用于Windows，在Unix/Linux中文本方式的读写与二进制方式的读写无差别，不存在回车换行间的转换。UNIX/Linux并没有区分这两种文件，他们对所有文件一视同仁，将所有文件都看成二进制文件。标准I/O库中 主要使用 fread/fwrite来读写二进制文件，而对于文本文件可以使用 fread/fwrite/fgetc/fputc fprintf等等。