中文乱码

中文Big5码被误认为ASCII

编辑

欧洲生产的某些电脑并无法识别Big5双比特字码的中文字符，相反的，它们会把位于00到7F间的字码视为ASCII，而80到FF间的字码则视为EASCII，例如：

中文字

維

基

百

科

中

文

大

五

碼

Big5码的高位/低位比特

BA

FB

B0

F2

A6

CA

AC

EC

A4

A4

A4

E5

A4

6A

A4

AD

BD

58

对应的ASCII/EASCII字符

º

û

°

ò

¦

Ê

¬

ì

¤

¤

¤

å

¤

j

¤

­

½

X

也因此，中文字符串“維基百科中文大五碼”会显示为乱码“ºû°ò¦Ê¬ì¤¤¤å¤j¤ ½X”。

UTF-8与Big5的相互转换

编辑

随着UTF-8的普及化，许多繁体中文的IRC频道也逐渐从Big5转变成UTF-8；然而在这种过渡时期中，仍然有不少IRC频道是采用Big5的，所以用户参与了新的频道时，通常会想要先确定自己的字符编码有没有设错，人们最常用的测试字眼不外乎：

编码

内容

UTF-8

中文

測試

導航

Big5

銝剜��

皜祈岫

撠舘⏛

嚙踝蕭乱码问题

编辑

当一段大五码文本被错误地以UTF-8解码再编码再以大五码解码，由于在被以UTF-8解码时的无效字符被以Unicode的“未识别字符（U+FFFD）”作为内码记录，而那替代字符的UTF-8编码的十六进制为“EF BF BD”。当那替代字符因为按UTF-8解码会出现大比例的无效字符而令其大片大片地出现，进而在被UTF-8再编码再以大五码解码后读码框取到UTF-8替代字符的编码的第一个字节和第二个字节的十六进制“EF BF”解码得到“嚙”字，接下来的读码框横跨两个UTF-8替代字符取到第一个UTF-8替代字符的第三个字节和第二个UTF-8替代字符的第一个字节的十六进制“BD EF”解码得到“踝”字，再接下来的读码框取到第二个UTF-8替代字符的第二个字节和第三个字节的十六进制“BF BD”解码得到“蕭”字，连起来就是“嚙踝蕭”。这样的情况反复出现就令其中出现大量“嚙踝蕭”字样。并且由于在被以UTF-8解码时所出现的各种无效字符与有效字符的各种组合，再以大五码解码后其中会有许多不是出现在“嚙踝蕭”子序列中的“嚙”、“蕭”字样。

另外其他编码的非UTF-8文本或非文本二进制数据被错误地以UTF-8解码再编码再以大五码解码也会如上产生嚙踝蕭乱码，然而由于原字节序列的特征会部分地传递至以UTF-8解码后所产生的中间阶段乱码，这样因此由这些方式产生的乱码跟大五码文本被错误地以UTF-8解码再编码再以大五码解码所产生的乱码便具有不同的特征。