什么是文本文件和文本编辑器

文本文件

文本文件是纯字符文件，它含有的所有字节必然能够采用某种字符集编码显示出字符，除了BOM字节。

字符集和换行符。

SUMMARY

作者：Keen Kwok
链接：https://www.zhihu.com/question/41426907/answer/90924168
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

1. 字符集就是编码和字符的对应关系，比如说，在 ASCII 编码中，一个'A'字符对应'0x42'。不同的对应关系导致了不同字符集的出现。
2. 字符编码就是字符在内存中的二进制显示（也可以理解为从理论到实践）。比如，'爱'这个的Unicode对应的字符编码为'0x7231'，而使用UTF-8的编码方式，'爱'的字符编码（内存中存储数据格式）为'0xE788B1'，UTF-16BE的字符编码为'0x7231'

默认是 ANSI

Windows早期（至少是95年以前的事情了）是ANSI字符集的，也就是说一个中文文本，在Windows简体中文版显示的是中文，到Windows日文版显示的就不知道是什么东西了。

后来，Windows支持了Unicode，但当时大部分软件都是用ANSI编码的，unicode还不流行，怎么办？Windows想了个办法，就是允许一个默认语言编码，就是当遇到一个字符串，不是unicode的时候，就用默认语言编码解释。（在区域和语言选项里可以改默认语言）

这个默认语言，在不同Windows语言版本里是不同的，在简体中文版里，是GBK，在繁体中文版里，是BIG5，在日文版里是JIS

而记事本的ANSI编码，就是这种默认编码，所以，一个中文文本，用ANSI编码保存，在中文版里编码是GBK模式保存的时候，到繁体中文版里，用BIG5读取，就全乱套了。

记事本也不甘心这样，所以它要支持Unicode，但是有一个问题，一段二进制编码，如何确定它是GBK还是BIG5还是UTF-16/UTF-8？记事本的做法是在TXT文件的最前面保存一个标签，如果记事本打开一个TXT，发现这个标签，就说明是unicode。标签叫BOM，如果是0xFF 0xFE，是UTF16LE，如果是0xFE 0xFF则UTF16BE，如果是0xEF 0xBB 0xBF，则是UTF-8。如果没有这三个东西，那么就是ANSI，使用操作系统的默认语言编码来解释。

Unicode的好处就是，不论你的TXT放到什么语言版本的Windows上，都能正常显示。而ANSI编码则不能。（UTF-8的好处是在网络环境下，比较节约流量，毕竟网络里英文的数据还是最多的）

概念区分：字符集和字符集编码

字符集：character set。 囊括某种或某几种文化的符号的集合，并且为这些符号分配一个唯一的数字编号。

字符集编码：character set encoding。把字符集内的每个符号的数字编号，按照某种规则，映射成二进制数值来存储到计算机，二进制数值并不一定要求等于数字编号。 encode & decode

ASCII

ASCII (American Standard Code for Information Interchange)

字符集：阿拉伯数字(0123456789)，英文字母(a-z A-Z)，英文符号(!@#$*等)，控制打印机的字符，以上4种字符组成的字符集合。字符的数字编号范围是0-127.

字符集编码：一个字节，最高位恒0，其他位保持与数字编号相等。如 字符A -> 编号65 -> 编码01000001.

字符集编码和字符集编号的关系：字符集编码和字符集编号相等。

表示范围：0000 0000 - 0111 1111 (0X00 - 0X7F)

ASCII固定占用一个字节，最高位恒0，共计128个字符。33个字符是控制打印机动作的，称为控制字符，95个字符是可打印的，称为可见字符。

部分控制打印机的字符的解释如下：（有些控制字符随着IT发展和设备的进步，已经失去原有的意义或者其作用已经发生改变。）

NUL (0)

NULL，空字符。空字符起初本意可以看作为 NOP（中文意为空操作，就是啥都不做的意思），此位置可以忽略一个字符。

之所以有这个空字符，主要是用于计算机早期的记录信息的纸带，此处留个 NUL 字符，意思是先占这个位置，以待后用，比如你哪天想起来了，在这个位置在放一个别的啥字符之类的。

后来呢，NUL 被用于C语言中，表示字符串的结束，当一个字符串中间出现 NUL 时，就意味着这个是一个字符串的结尾了。这样就方便按照自己需求去定义字符串，多长都行，当然只要你内存放得下，然后最后加一个\0，即空字符，意思是当前字符串到此结束。

BEL (7)

BELl，响铃。在 ASCII 编码中，BEL 是个比较有意思的东西。BEL 用一个可以听得见的声音来吸引人们的注意，既可以用于计算机，也可以用于周边设备（比如打印机）。

注意，BEL 不是声卡或者喇叭发出的声音，而是蜂鸣器发出的声音，主要用于报警，比如硬件出现故障时就会听到这个声音，有的计算机操作系统正常启动也会听到这个声音。蜂鸣器没有直接安装到主板上，而是需要连接到主板上的一种外设，现代很多计算机都不安装蜂鸣器了，即使输出 BEL 也听不到声音，这个时候 BEL 就没有任何作用了。

LF (10)

Line Feed，直译为“给打印机等喂一行”，也就是“换行”的意思。LF 是 ASCII 编码中常被误用的字符之一。

LF 的最原始的含义是，移动打印机的头到下一行。而另外一个 ASCII 字符，CR（Carriage Return）才是将打印机的头移到最左边，即一行的开始（行首）。很多串口协议和 MS-DOS 及 Windows 操作系统，也都是这么实现的。

而C语言和 Unix 操作系统将 LF 的含义重新定义为“新行”，即 LF 和 CR 的组合效果，也就是回车且换行的意思。

从程序的角度出发，C语言和 Unix 对 LF 的定义显得更加自然，而 MS-DOS 的实现更接近于 LF 的本意。

现在人们常将 LF 用做“新行（newline）”的功能，大多数文本编辑软件也都可以处理单个 LF 或者 CR/LF 的组合了。

CR (13)

Carriage return，回车，表示机器的滑动部分（或者底座）返回。

CR 回车的原意是让打印头回到左边界，并没有移动到下一行的意思。随着时间的流逝，后来人们把 CR 的意思弄成了 Enter 键，用于示意输入完毕。

在数据以屏幕显示的情况下，人们按下 Enter 的同时，也希望把光标移动到下一行，因此C语言和 Unix 重新定义了 CR 的含义，将其表示为移动到下一行。当输入 CR 时，系统也常常隐式地将其

DEL (127)

Delete，删除。

有人也许会问，为何 ASCII 编码中其它控制字符的值都很小（即 0~31），而 DEL 的值却很大呢（为 127）？

这是由于这个特殊的字符是为纸带而定义的。在那个年代，绝大多数的纸带都是用7个孔洞去编码数据的。而 127 这个值所对应的二进制值为111 1111（所有 7 个比特位都是1），将 DEL 用在现存的纸带上时，所有的洞就都被穿孔了，就把已经存在的数据都擦除掉了，就起到了删除的作用。

Latin1

扩展的ASCII字符集，又称作 EASCII 和 ISO 8859-1

字符集：ASCII和欧洲字符组成的字符集合。字符的数字编号范围是0-255

字符集编码：一个字节，保持与数字编号相等。如字符 ß->编号223->编码1101 1111

字符集编码和字符集编号的关系：字符集和字符集编号相等。

ASCII只能覆盖英文符号，欧洲国家让最高位可为1，又扩展了128个字符，来存放欧洲国家的语言字符，如丹麦语，德语，法语，瑞典语等。

表示范围：0000 0000 - 1111 1111 （0X00 - 0XFF）。其中 0000 0000 - 0111 1111仍旧是ASCII字符，1000 0000 - 1111 1111表示扩展的欧国国家语言文化字符。

它兼容ASCII字符集。

[EASCII字符表