毛毛的小窩 — 關注技術交流、讓我們一起成長

文本文件與二進制文件
一、文本文件與二進制文件的定義
    大家都知道計算機的存儲在物理上是二進制的，所以文本文件與二進制文件的區別并不是物理上的，而是邏輯上的。這兩者只是在編碼層次上有差異。
    簡單來說，文本文件是基于字符編碼的文件，常見的編碼有ASCII編碼，UNICODE編碼等等。二進制文件是基于值編碼的文件，你可以根據具體應用，指定某個值是什么意思（這樣一個過程，可以看作是自定義編碼）。
    從上面可以看出文本文件基本上是定長編碼的(也有非定長的編碼如UTF-8)，基于字符嘛，每個字符在具體編碼中是固定的，ASCII碼是8個比特的編碼，UNICODE一般占16個比特。而二進制文件可看成是變長編碼的，因為是值編碼嘛，多少個比特代表一個值，完全由你決定。大家可能對BMP文件比較熟悉，就拿它舉例子吧，其頭部是較為固定長度的文件頭信息，前2字節用來記錄文件為BMP格式，接下來的8個字節用來記錄文件長度，再接下來的4字節用來記錄bmp文件頭的長度。。。大家可以看出來了吧，其編碼是基于值的（不定長的，2、4、8字節長的值都有），所以BMP是二進制文件。

二、文本文件與二進制文件的存取
    文本工具打開一個文件的過程是怎樣的呢？拿記事本來說，它首先讀取文件物理上所對應的二進制比特流（前面已經說了，存儲都是二進制的），然后按照你所選擇的解碼方式來解釋這個流，然后將解釋結果顯示出來。一般來說，你選取的解碼方式會是ASCII碼形式（ASCII碼的一個字符是８個比特），接下來，它8個比特8個比特地來解釋這個文件流。例如對于這么一個文件流"01000000_01000001_01000010_01000011"(下劃線''_''，是我為了增強可讀性，而手動添加的)，第一個8比特''01000000''按ASCII碼來解碼的話，所對應的字符是字符''A''，同理其它3個8比特可分別解碼為''BCD''，即這個文件流可解釋成“ABCD”，然后記事本就將這個“ABCD”顯示在屏幕上。
    事實上，世界上任何東西要與其他東西通信會話，都存在一個既定的協議，既定的編碼。人與人之間通過文字聯絡，漢字“媽”代表生你的那個人，這就是一種既定的編碼。但注意到這樣一種情況，漢字“媽”在日本文字里有可能是你生下的那個人，所以當一個中國人Ａ與日本Ｂ之間用“媽”這個字進行交流，出現誤解就很正常的。用記事本打開二進制文件與上面的情況類似。記事本無論打開什么文件都按既定的字符編碼工作（如ASCII碼），所以當他打開二進制文件時，出現亂碼也是很必然的一件事情了，解碼和譯碼不對應嘛。例如文件流''00000000_00000000_00000000_00000001''可能在二
進制文件中對應的是一個四字節的整數int 1，在記事本里解釋就變成了"NULL_NULL_NULL_SOH"這四個控制符。
    文本文件的存儲與其讀取基本上是個逆過程，不再累述。而二進制文件的存取顯然與文本文件的存取差不多，只是編／解碼方式不同而已，也不再敘述。

三、文本文件與二進制文件的優缺點
    因為文本文件與二進制文件的區別僅僅是編碼上不同，所以他們的優缺點就是編碼的優缺點，這個找本編碼的書來看看就比較清楚了。一般認為，文本文件編碼基于字符定長，譯碼容易些；二進制文件編碼是變長的，所以它靈活，存儲利用率要高些，譯碼難一些（不同的二進制文件格式，有不同的譯碼方式）。關于空間利用率，想想看，二進制文件甚至可以用一個比特來代表一個意思(位操作)，而文本文件任何一個意思至少是一個字符．
    很多書上還認為，文本文件的可讀性要好些，存儲要花費轉換時間(讀寫要編譯碼)，而二進制文件可讀性差，存儲不存在轉換時間（讀寫不要編解碼，直接寫值）．這里的可讀性是從軟件使用者角度來說的，因為我們用通用的記事本工具就幾乎可以瀏覽所有文本文件，所以說文本文件可讀性好；而讀寫一個具體的二進制文件需要一個具體的文件解碼器，所以說二進制文件可讀性差，比如讀BMP文件，必須用讀圖軟件．而這里的存儲轉換時間應該是從編程的角度來說的，因為有些操作系統如windows需要對回車換行符進行轉換(將''\n''，換成''\r\n''，所以文件讀寫時，操作系統需要一個一個字符的檢查
當前字符是不是''\n''或''\r\n'').這個在存儲轉換在Linux操作系統中并不需要，當然，當在兩個不同的操作系統上共享文件時，這種存儲轉換又可能出來(如Linux系統和Windows系統共享文本文件)。關于這個轉換怎樣進行，我將在下一篇文章《Linux文本文件與Windows文本文件間的轉換》給出^_^

四、Ｃ的文本讀寫和二進制讀寫
    應該說Ｃ的文本讀寫與二進制的讀寫是一個編程層次上的問題，與具體的操作系統有關，所以＂用文本方式讀寫的文件一定是文本文件，用二進制讀寫的文件一定是二進制文件"這類觀點是錯誤的．下面的講述非明確指出操作系統類型，都暗指windows．
    Ｃ的文本方讀寫與二進制讀寫的差別僅僅體現在回車換行符的處理上．文本方式寫時，每遇到一個''\n''(0AH換行符)，它將其換成''\r\n''(0D0AH，回車換行)，然后再寫入文件；當文本讀取時，它每遇到一個''\r\n''將其反變化為''\n''，然后送到讀緩沖區．正因為文本方式有''\n''－－''\r\n''之間的轉換，其存在轉換耗時．二進制讀寫時，其不存在任何轉換，直接將寫緩沖區中數據寫入文件．
    總地來說，從編程的角度來說，Ｃ中文本或二進制讀寫都是緩沖區與文件中二進制流的交互，只是文本讀寫時有回車換行的轉換．所以當寫緩沖區中無換行符''\n''(0AH)，文本寫與二進制寫的結果是一樣的，同理，當文件中不存在''\r\n''(0DH0AH)時，文本讀與二進制讀的結果一樣．

五、實例
5678的存儲形式為：ASCII碼：   　00110101   00110110   00110111   00111000  （四個字節）
5678的存儲形式為：二進制：      00010110   00101110  （兩個字節）
二進制文件和文本文件的唯一差異就是前者含有一些非標準輸出的ASCII碼。0x01就是非標準輸出的ASCII碼，0x61就是標準輸出的ASCII碼。）