計算機是如何存儲字符的？
大學都學過計算機相關的基礎知識，計算機只能計算二進制數據，因為二進制表示起來最方便。計算機電子元器件表示兩個狀態很簡單，比如高壓和低壓，對應的就是1和0。如果設計出10種狀態，那么計算機的設計會相當復雜。
計算機想存儲我們現實世界的字符，也就是我們常用的漢子或者字母。最簡單的方法就是把每個字符都對應一個數字，數字都能轉為二進制，這樣相當於計算機間接的存儲了字符。實際上，計算機科學家們也的確是這么做的。由此，便誕生了各種字符集，各個國家的字符都有對應的數字。
都有哪些字符集
計算機發明之初，沒有考慮那么多。作為現代計算機的發源地，當時也只考慮了美國的需求。所以只需要128個字符，稱之為ASCII編碼或者ASCII字符集（叫法不同而已，但是我覺得叫字符集更准確）。128個字符，如果用數字一一對應，一共只需7位二進制數字。計算機存儲的最小單位是byte，即8位。ASCII字符集把最高位設置為0，用剩下的7位來表示字符。下圖便展示了ASCII中，數字與字符的對應關系。
圖中把ASCII字符集分為了兩大部分，打印和非打印。打印部分好解釋，就是會輸出在顯示設備上的，可以看看我們的鍵盤上，一般也都會有這些字符。非打印部分更多的是控制目的。比如NUL表示空字符，\n表示換行，\r表示回車等。
對於美國來說，ASCII是夠用了，但是其他很多國家顯然就不夠用了。下面簡單說說一些常見的。ISO 8859-1和Windows-1252。這兩個都加入了西歐字符，兩者基本一樣，ISO 8859-1號稱是用於西歐國家的標准字符集，但是Windows-1252更常用些。
中文的第一個標准字符集是GB2312，有大約7000個漢字和一些罕用詞和繁體字。其使用兩個字節表示漢字。GBK建立在GB2312的基礎上，並向下兼容。共計包含了21000個漢字，其中包含了繁體字。GB18030進一步增強了GBK，同樣可以向下兼容，共包含了76000個字符，其中有很多少數民族字符，以及中日韓統一字符。但是兩個字節已經表示不了GB18030中的所有字符了，GB18030使用了長編碼，有的字符是兩個字節，有的是四個字節。兩個字節的編碼中，表示范圍和GBK一樣。除了以上表示中文的字符集外，還有個Big5，是針對繁體字的，廣泛應用於灣灣省和香港那邊。
前面說了這么多，是不是覺得很麻煩。不同的國家地區，還得用不用的字符集。前面講到的所有字符集統稱為非Unicode字符集。為了解決每個國家不同字符集間的不兼容現狀，便有了Unicode字符集。它做了一件事，就是給世界上所有字符都分配了一個唯一的數字編號，有110多萬，但大部分都在0x0000~0xFFFF之間，即65536個。
這些數字編號一般用16進制表示，但是要注意，只是分配了個數字編號，並不像上面的非Unicode字符集一樣，這個數字也表示字符對應的二進制。至於Unicode字符集中，每個字符對應的二進制是多少，有幾種不同的方案，主要有UTF-8、UTF-16、UTF-32。
UTF-32最簡單，也符合我們的正常邏輯。數字編號的二進制形式，就是這個字符對應的二進制。缺點就是，每個字符都用四個字節表示，顯然對於常用字符這是非常浪費的。UTF-16和GB18030一樣，有個用兩個字節有的用四個字節。UTF-8使用最廣，其使用的是變長字節，每個字符使用的字節個數與Unicode中的數字編號有關。編號小的用的字節就少，編號大的用的字節就多，字節個數從1～4不等。
亂碼怎么恢復
看到這里，為什么亂碼相信你肯定知道了。無非就是使用了不同的字符集，導致解析錯誤。那么該怎么恢復亂碼呢？如果你知道原編碼方式最好，直接切換成對應的字符集即可。比如在一些可以切換編碼方式的文本編輯器里、HTML的原信息設置、IDE的設置等。
但是如果不知道的話，也沒什么太好的方式，只能一個個嘗試了。我們可以寫個簡單的小程序，通過遍歷常見字符集，來試着解析出亂碼的原有格式。以Java為例：String newStr = new String(str.getBytes(charsets[i]),charsets[j])。這句代碼的意思就是：假設亂碼str原來是charsets[j]編碼的，被錯誤解析為charsets[i]編碼的。在嘗試前，切記要對原文件做備份，因為多次錯誤的解析和轉換，可能很難再恢復成正常的字符了。