文本文件和二进制文件的区别

Posted 2020-08-28

文本文件：

 

文本文件是一种计算机文件，它是一种典型的顺序文件，其文件的逻辑结构又属于流式文件。

特别的是，文本文件是指以ASCII码方式(也称文本方式)存储的文件，更确切地说，英文、数字等字符存储的是ASCII码，而汉字存储的是机内码。文本文件中除了存储文件有效字符信息（包括能用ASCII码字符表示的回车、换行等信息）外，不能存储其他任何信息。

 

文本文件是一种由若干行字符构成的计算机文件。文本文件存在于计算机文件系统中。通常，通过在文本文件最后一行后放置文件结束标志来指明文件的结束。

文本文件是指一种容器，而纯文本是指一种内容。文本文件可以包含纯文本。

一般来说，计算机文件可以分为两类：文本文件和二进制文件。[2] 

格式

ASCII

ASCII标准使得

文件

只含有ASCII字符的文本文件可以在Unix、Macintosh、Microsoft Windows、DOS和其它操作系统之间自由交互，而其它格式的文件是很难做到这一点的。但是，在这些操作系统中，换行符并不相同，处理非ASCII字符的方式也不一致。

MIME

文本文件在MIME标准中的类型为“text/plain”，此外，它通常还附加编码的信息。在Mac OS X出现前，当Resource fork指定某一个文件的类型为“TEXT”时，Mac OS就认为这个文件是文本文件。在Windows中，当一个文件的扩展名为“txt”时，系统就认为它是一个文本文件。此外，处于特殊的目的，有些文本文件使用其它的扩展名。例如，计算机的源代码也是文本文件，它们的后缀是用来指明它的程序语言的。

.txt

.txt是包含极少格式信息的文字文件的扩展名。.txt格式并没有明确的定义，它通常是指那些能够被系统终端或者简单的文本编辑器接受的格式。任何能读取文字的程序都能读取带有.txt扩展名的文件，因此，通常认为这种文件是通用的、跨平台的。

在英文文本文件中，ASCII字符集是最为常见的格式，而且在许多场合，它也是默认的格式。对于带重音符号的和其它的非ASCII字符，必须选择一种字符编码。在很多系统中，字符编码是由计算机的区域设置决定的。常见的字符编码包括支持许多欧洲语言的ISO 8859-1。

由于许多编码只能表达有限的字符，通常它们只能用于表达几种语言。Unicode制定了一种试图能够表达所有已知语言的标准，Unicode字符集非常大，它囊括了大多数已知的字符集。Unicode有多种字符编码，其中最常见的是UTF-8，这种编码能够向后兼容ASCII，相同内容的的ASCII文本文件和UTF-8文本文件完全一致。

Windows的.txt文件

微软的MS-DOS和Windows采用了相同的文本文件格式，它们都使用CR和LF两个字符作为换行符，这两个字符对应的ASCII码分别为13和10。通常，最后一行文本并不以换行符(CR-LF标志)结尾，包括记事本在内的很多文本编辑器也不在文件的最后添加换行符。

大多数Windows文本文件使用ANSI、OEM或者Unicode编码。Windows所指的ANSI编码通常是1字节的ISO-8859编码，不过对于像中文、日文、朝鲜文这样的环境，需要使用2字节字符集。在过渡至Unicode前，Windows一直用ANSI作为系统默认的编码。而OEM编码，也是通常所说的MS-DOS代码页，是IBM为早期IBM个人电脑的文本模式显示系统定义的。在全屏的MS-DOS程序中同时使用了图形的和按行绘制的字符。新版本的Windows可以使用UTF-16LE和UTF-8之类的Unicode编码。

数据存储

由于结构简单，文本文件被广泛用于记录信息。它能够避免其它文件格式遇到的一些问题。此外，当文本文件中的部分信息出现错误时，往往能够比较容易的从错误中恢复出来，并继续处理其余的内容。文本文件的一个缺点是，它的熵往往较低，也就是说，可以用较小的存储空间记录这些信息。

与二进制文件比较

定义

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，你可以根据具体应用，指定某个值（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(也有非定长的编码如UTF-8)，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。而二进制文件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，完全由自己决定。

存取

文本工具打开一个文件，首先读取文件物理上所对应的二进制比特流，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。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，解码和译码不对应。

文本文件的存储与其读取基本上是个逆过程。而二进制文件的存取与文本文件的存取差不多，只是编/解码方式不同而已。

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，所以他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；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）。

在windows下，文本文件不一定是ASCII来存贮的，因为ASCII码只能表示128的标识，打开一个txt文档，然后另存为，有个选项是编码，可以选择存贮格式，一般来说UTF-8编码格式兼容性要好一些。而二进制用的计算机原始语言，不存贮兼容性。

 

 

 

二进制文件：

 

定义

广义的二进制文件即指文件，由文件在外部设备的存放形式为二进制而得名。狭义的二进制文件即除文本文件以外的文件。文本文件是一种由很多行字符构成的计算机文件。文本文件存在于计算机系统中，通常在文本文件最后一行放置文件结束标志。文本文件的编码基于字符定长，译码相对要容易一些；二进制文件编码是变长的，灵活利用率要高，而译码要难一些，不同的二进制文件译码方式是不同的。

从本质上来说他们之间没有什么区别，因为他们在硬盘上都有一种的存放方式--二进制，但是如果要对他们有些区分的话，那可以这样理解。每个字符由一个或多个字节组成，每个字节都是用的-128—127之间的部分数值来表示的，也就是说，-128——127之间还有一些数据没有对应任何字符的任何字节。如果一个文件中的每个字节的内容都是可以表示成字符的数据，我们就可以称这个文件为文本文件，可见，文本文件只是二进制文件中的一种特例，为了与文本文件相区别，人们又把除了文本文件以外的文件称为二进制文件，由于很难严格区分文本文件和二进制文件的概念，所以我们可以简单地认为，如果一个文件专门用于存储文本字符的数据，没有包含字符以外的其他数据，我们就称之为文本文件，除此之外的文件就是二进制文件。

使用二进制文件的好处

为什么要使用二进制文件。原因大概有三个：
　　第一是二进制文件比较节约空间，这两者储存字符型数据时并没有差别。但是在储存数字，特别是实型数字时，二进制更节省空间，比如储存 Real*4 的数据：3.1415927，文本文件需要 9 个字节，分别储存：3 . 1 4 1 5 9 2 7 这 9 个 ASCII 值，而二进制文件只需要 4 个字节（DB 0F 49 40）
　　第二个原因是，内存中参加计算的数据都是用二进制无格式储存起来的，因此，使用二进制储存到文件就更快捷。如果储存为文本文件，则需要一个转换的过程。在数据量很大的时候，两者就会有明显的速度差别了。
　　第三，就是一些比较精确的数据，使用二进制储存不会造成有效位的丢失。[1] 

二进制文件的储存方式

列举一个二进制文件如下：

00000000h:0F 01 00 00 0F 03 00 00 12 53 21 45 58 62 35 34; .........S!EXb54

00000010h:41 42 43 44 45 46 47 48 49 47 4B 4C 4D 4E 4F 50; ABCDEFGHIGKLMNOP

这里列出的是在 UltraEdit（UE） 里看到的东西。其实只有红色部分是文件内容。前面的是 UE 加入的行号。后面的是 UE 尝试解释为字符型的参考。
　　这个文件一共有 32 字节长。显示为两列，每列 16 个字节。实际上，这仅仅是 UE 的显示而已。真实的文件并不分行。仅仅知道这个文件的内容，如果我们没有任何说明的话，是不能看出任何有用信息的。
　　下面我规定一下说明：我们认为，前 4 个字节是一个 4 字节的整型数据（0F 01 00 00 十六进制：10Fh 十进制：271）。这 4 个字节之后的 4 个字节是另一个 4 字节的整型数据（0F 03 00 00 十六进制：30Fh 十进制：783）。其后的 4 个字节（12 53 21 45 ）表示一个 4 字节的实型数据：2.5811919E+3。再其后的 4 个字节（58 62 35 34）表示另一个 4 字节的实行数据：1.6892716E-7。而只后的 16 个字节（41 42 43 44 45 46 47 48 49 47 4B 4C 4D 4E 4F 50）我们认为是 16 个字节的字符串（ABCDEFGHIGKLMNOP）
　　实际上，二进制文件只是储存数据，并不写明数据类型，比如上面的第 9 字节到第 16 字节（12 53 21 45 58 62 35 34），我们刚才认为是 2 个 4 字节的实型，其实也可以认为是 8 个字节的字符型（ S!EXb54）。而后面的 16 个字节的字符串（ABCDEFGHIGKLMNOP），我们也可以认为是 2 个 8 字节的整型，或者 4 个 4 字节的整型，甚至 2 个 8 字节的实型，4 个 4 字节的实型，等等等等。
　　因此，面对一个二进制文件，我们不能准确地知道它的含义，我们需要他的数据储存方式的说明。这个说明告诉我们第几个字节到第几个字节是什么类型的数据，储存的数据是什么含义。否则的话，我们只能猜测，或者无能为力。[1] 

如何使用语句操作二进制文件

我们将上面的那个二进制文件保存为：TestBin.Bin 来举例。
　　读取和写入二进制其实是两个很类似的操作，了解了其中之一，另一个也就不难了。

二进制文件我们通常使用直接读取方式，Open 语句可以写为：

引用：

Open( 12 , File = ‘TestBin.Bin‘ , Access = ‘Direct‘ , Form = ‘Unformatted‘ , RecL = 4 )

上面的 Access 表示直接读取方式，Form 表示无格式储存。比较重要的是 RecL 。我们读取数据时，是用记录来描述单位的，每一次读入或写入是一个记录。记录的长度在 Open 时就确定下来，以后不能改变。如果需要改变，只能 Close 以后再此 Open。
　　记录长度在某些编译器下表示读取的 4 字节长度的倍数，规定为 4 表示记录长度为 16 字节。有些编译器下就直接表示记录的字节数，规定为 4 则表示记录长度为 4 字节。这个问题需要参考编译器手册。在 VF 系列里，这个值是前面一个含义。可以通过设置工程属性的 Fortran，Data，Use Bytes as RECL= Unit for Unformatted Files 来改变，使之成为后一个含义。在命令行模式下，则使用 /assume:byterecl 这个编译选项。
　　确定 RecL 大小是我们需要做的事情，一般来说，不适合太大，也不适合太小。还需要结合数据储存方式来考虑。太小的话，我们需要执行读写的次数就多，太大的话，我们就不方便操作小范围的数据。
　　有时候我们甚至会分多次来读取数据，每一次的 RecL 都不同。对于上面的 TestBin.Bin 文件来说，它比较简单，我以 16 字节长度和 8 字节长度两种读取方式来演示，你甚至可以一次 32 个字节长度全部读完。[1] 

用例

C++程序语言学习过程中常见名词，相对于Binary file的是Text file（纯文本文件）。

C++中二进制文件读写函数：

fread	fwrite	ifstream.read()	ofstream.write()
文件读	文件写

等等……

Java中二进制文件读写函数：

FileInputStream()	FileOutputStream()
文件输入流（）	文件输出流（）

等等……

 

那么，这个时候我们肯定会问：

 

汉字怎样转化为二进制代码？

 

各数制之间的转换 

　　我们用R表示任何数制的基数，讨论各数制之间的转换。 

　　1.R进制数转换为十进制数 

　　二进制、八进制和十六进制数转换为等值的十进制数，只要把它们用多项式表示并在十进制下进行计算，所得的结果就是十进制数。 

　　2.十进制数转换为R进制数 

　　十进制数转换为等值的二进制、八进制和十六进制数，需要对整数部分和小数部分分别进行转换。其整数部分用连续除以基数R取余数的方法来完成，小数部分用连续乘以基数R取整数的方法来实现。 

　　　　　基数　　 基数　　 基数　　　基数　　 基数 

十进制　　10000　　1000　　　100　　　10　　　　1 

二进制　　　16　　　　8　　　　4　　　　2　　　 1 

八进制　　4096　　　512　　　　64　　　8　　　　1 

十六进制　65536　　4096　　　256　　　16　　　　1 

　　3.二进制数与八进制数、十六进制数的转换 

　　二进制数与八进制数的转换应以"3位二进制数对应1位八进制数"%的原则进行。同理，因为24=16，则二进制数与十六进制数的转换应以"4位二进制数对应1位十六进制数"的原则进行。 

　　四、二进制数的运算 

　　在计算机中，二进制数的运算包括算术运算和逻辑运算。 

　　1.二进制数的算术运算 

　　(1)二进制数加法 

　　加法原则：逢二进一 

　　(2)二进制数减法 

　　减法原则：借一当二 

　　(3)二进制数乘法 

　　乘法原则：与算术乘法形式相同 

　　(4)二进制数除法 

　　除法原则：与算术除法形式相同 

　　2.二进制数的逻辑运算 

　　逻辑运算是以二进制数为基础的，逻辑变量只有两个，用来表示逻辑"真"和"假"。 

　　(1)逻辑加法("或"运算) 

　　运算符号："＋"或"∨" 

　　运算规则：0+0=0；0+1=1；1+0=1；1+1=1； 

　　(2)逻辑乘法("与"运算) 

　　运算符号："×"或"∧" 

　　运算规则：0×0=0；0×1=0；1×0=0；1×1=1； 

　　(3)逻辑"非"运算 

　　运算符号："-"%运算规则：A&-*=0时，A=1 

　　五、数据类型及数据单位 

　　1.数据的两种类型 

　　计算机中的数据可概括分为两大类：数值型数据和字符型数据。所有的非数值型数据都要经过数字化后才能在计算机中存储和处理。 

　　2.数据单位 

　　在计算机中通常使用三个数据单位：位、字节和字。位的概念是：最小的存储单位，英文名称是bit，常用小写b或bit表示。用8位二进制数作为表示字符和数字的基本单元， 

　　英文名称是byte，称为一字节。通常用大"B"表示。 

　　1B(字节)=8b(位) 

　　1KB(千字节)=1024B(字节) 

　　1MB(兆字节)=1024KB(千字节) 

　　字长：字长也称为字或计算机字，它是计算机能并行处理的二进制数的位数。 

　　六、字符编码与汉字编码 

　　1.字符编码 

　　目前微型机中普遍采用的字符编码是ASCII码。它是用七位二进制数对127个字符进行编码，其中前32个是一些不可打印的控制符号。 

　　2.汉字编码及字模信息 

　　汉字有两种编码：国标码与机内码。 

　　国标码是"中华人民共和国国家标准信息交换汉字编码"，代号为"GB2312-80"。在国标码的字符集中，收集了一级汉字3755个，二级汉字3008个，图形符号682个，共7445个。一个汉字对应一个区位码，由四位数字组成，前两位数字为区码(0～94)，后两位数字为位码(0～94)。机内码是指汉字在计算机中的编码 

　　汉字的机内码占两个字节，分别称为机内码的高位与低位。它们与区位码的关系如下： 

　　机内码高位=区码+A0H 

　　机内码低位=位码+A0H 

　　汉字字库是由所有汉字的字模信息构成的。一个汉字字模信息占若干字节，究竟占多少个字节由汉字的字形决定。 

　　例如，如果用16×16点阵表示一个汉字，则一个汉字占16行，每行有16个点，在存储时用两个字节存放一行上16个点的信息，对应位为"0"表示该点为"白"，"1"表示该点为"黑"。因此，一个16×16点阵的汉字占32个字节。 

--------------------------------------------------------------- 

描述2进制的数据结构，用字符串直观，但是效率低，用数组效率高，但是不直观。 
但是道理相同。 

性字转换后的结果: 
010000010000 010010010000 010010010100 111011111110 110010010000 010100010000 010011111110 010000010000 010000010000 010000010000 010111111110 000000000000 

144位编码，这也不可能的， 

性字编码alert asc("性")得到-12076，转化为2进制为-10111100101100 不算正负有14位就够了。 
如果非要补到144位也因该是高位补0。 

function c10to2(x) 
‘10进制到2进制的转换 
dim sign, result 
result = "" 
‘符号 
sign = sgn(x) 
x = abs(x) 

if x = 0 then 
c10to2 = 0 
exit function 
end if 
do until x = "0" 
result = result & (x mod 2) 
x = x \ 2 
loop 
result = strReverse(result) 

if sign = -1 then 
c10to2 = "-" & result 
else 
c10to2 = result 
end if 
end function 

--------------------------------------------------------------- 

另外一个人的写法： 

function c10to2(x) 
mysign=sgn(x) 
x=abs(x) 
DigS=1 

do 
if x<2^DigS








二进制编码转汉字：

1. 汉字信息交换码（国标码）
　　《信息交换用汉字 编码字符集·基本集》是我国于1980年制定的国家标准 GB2312-80，代号为国标码，是国家规定的用于汉字信息处理使用的代码依据。
　 　GB2312-80中规定了信息交换用的6763个汉字和682个非汉字图形符号(包括几种外文字母、数字和符号)的代码。
　　6763个汉字又按其 使用频度、组词能力以及用途大小分成一级常用汉字3755个和二级常用汉字3008个。
　　一级汉字按拼音字母顺序排列；若遇同音字，则 按起笔的笔形顺序排列；若起笔相同，则按第二笔的笔形顺序排列，依次类推。所谓笔形顺序，就是横、竖、撇、点和折的顺序。二级汉字按 部首顺序排列。
　　在此标准中，每个汉字(图形符号)采用双字节表示。每个字节只用低7位，最高位恒为1。由于低7位中有34种状态是用 于控制字符，因此，只有94(128-34=94)种状态可用于汉字编码。这样，双字节的低7位只能表示94×94=8836种状态。

 

编码范围

 

二进制数码

 

十进制数码

 

 

基本 ASCII 码    
00000000～01111111    
0～127    

 

控制字符    
00000000～00100000、01111111    
0～32、127    

 

可用汉字段    
00100001～01111110    
33～126 (1～94)    

 

扩充 ASCII 码    
10000000～11111111    
128～255    

 

控制字符    
10000000～10100000、11111111    
128～160、255    

 

GB2312-80    
10100001～11111110    
161～254 (1～94)    

　　此标准的汉字编码表有94行、94列，其行号称为区号，列号称为位号。双字节中，用 高字节表示区号，低字节表示位号。非汉字图形符号置于第1～11区，一级汉字3755个且于第16～55区，二级汉字3008个置于第56～87区。
　　每个图形字符的汉字交换码，均用两个字节的低7位二进制码表示。汉字国标码通常用十六进制数表示。
　　例如：“中”字的区号为 54，位号为48，计算它的二进制数和十六进制数国标码。
　　　　解：先将区、位号分别加上 32 ：
　　　　　　54+32=86
　　 　　　　48+32=80
　　　　分别转换为二进制数：
　　　　　　(86)10=01010110
　　　　　　(80)10=0 1010000
　　得到二进制数国标码为：
　　　　　　01010110 01010000。
　　最后通过 8 4 2 1 ── 二进制取位法转换成十六 进制汉字国标码为：5650。
　　又如“国”字的区号为25，位号为90，用以上相同的方法得到它的国标码为：
　　二进制：00111001 01111010
　　十六进制：397A

----------------------------------------------------------------

基于以上原则，则

  11000100，11100011，10111010，11000011

>(1100 0100 1110 0011)2，(1011 1010 1100 0011)2

>(C4E3)16，(BAC3)16

>查表可知：C4E3>>‘你’，BAC3>>‘好’