文字、图片与文件格式

计算机存储的所有文件底层都是字节序列。同一个字节 0x41，按整数解释是 65，按英文字符解释是大写字母 A，在图像数据中则可能表示某个颜色通道的数值。具体含义取决于读取它的软件采用什么格式规则。

字符编码：ASCII、Unicode 与 UTF-8

要把文字存进计算机，就得先规定每个字符对应哪个数字编号，这叫字符编码：

• ASCII：最早期的英文编码表，只占 1 个字节，规定了 0–127 共 128 个字符（英文大小写字母、数字、常见标点等）。比如大写字母 A 是 65（十六进制 0x41），字符 '5' 是 53（0x35）。
• Unicode：为了装下全世界所有语言的文字和 Emoji，Unicode 给每个字符分配了一个统一的编号（叫码点），比如 A 是 U+0041，汉字 乌 是 U+4E4C。
• UTF-8：现在最通用的存储方案，用来把 Unicode 编号存成实际的字节。它是变长编码：
  • 英文、数字和英文标点占 1 个字节（和 ASCII 一模一样）；
  • 绝大多数常用汉字占 3 个字节；
  • 少数生僻字和 Emoji 占 4 个字节。

字符	Unicode 码点	UTF-8 字节（十六进制）	占几个字节
A	U+0041	41	1 字节
乌	U+4E4C	E4 B9 8C	3 字节

比如一个 UTF-8 文本文件里只写了 A乌 两个字，它在硬盘上存的字节就是 41 E4 B9 8C，一共占 4 个字节。

乱码与换行符

为什么有时候打开别人发的文本文件会看到一堆乱码？通常不是文件坏了，而是存文件时用的编码和打开时用的编码对不上（比如对方用老式 GBK 编码保存，每个汉字占 2 个字节；你的编辑器却按 UTF-8 每 3 个字节切一个字去读，自然就全乱了）。遇到乱码时千万别点保存，换个编码重新打开就行。

另外，平时按回车键换行，在文件里也是实打实占字节的：

• Linux / macOS 用 LF（0x0A）表示换行，占 1 个字节；
• Windows 用 CRLF（0x0D 0x0A）表示换行，占 2 个字节。

如果在 A乌 后面按了一下回车（按 Linux 的 LF 算，多了个 0A），整个文件的字节就会变成 41 E4 B9 8C 0A。

图片像素、文件头与扩展名

图片是由一个个小方格像素（Pixel）拼起来的。在常见的 RGB 模型里，每个像素的颜色由红（R）、绿（G）、蓝（B）三个通道混合而成，每个通道占 1 个字节（00 到 FF，即 0 到 255）。比如亮绿色 #A9DC76，拆开就是红 0xA9（169）、绿 0xDC（220）、蓝 0x76（118）：

那软件怎么知道一个文件是 PNG 图片还是 ZIP 压缩包呢？很多文件格式会在开头几个字节写上固定的特征码，叫文件头签名或魔数（Magic Bytes）。比如 PNG 图片开头的 4 个字节固定是 89 50 4E 47。

而文件名后面的扩展名（比如 .jpg、.txt）只是给操作系统看的一个标签，用来决定双击时默认拿什么软件打开它。把 photo.jpg 改名叫 photo.txt，里面的图片字节一点都没变，用记事本硬打开只会看到乱码。后面学文件上传漏洞时就会看到，如果服务器只看文件名是不是 .jpg、不检查文件里面的真实内容，就很容易被攻击者上传伪装成图片的脚本。