EEPW论坛

最近做MATLAB文件的读写操作，需要读写一些非常用格式的文件，查了一下文件的存储方式。如下：


文本文件与二进制文件

一、文本文件与二进制文件的定义
    大家都知道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，指定某个值是什么意思（这样一个过程，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，完全由你决定。大家可能对BMP文件比较熟悉，就拿它举例子，其头部是较为固定长度的文件头信息，前2字节用来记录文件为BMP格式，接下来的8个字节用来记录文件长度，再接下来的4字节用来记录 bmp文件头的长度.....大家可以看出来，其编码是基于值的（不定长的，2、4、8字节长的值都有），所以BMP是二进制文件。

二、文本文件与二进制文件的存取
    文本工具打开一个文件的过程是怎样的呢？拿记事本来说，它首先读取文件物理上所对应的二进制比特流（前面已经说，存储都是二进制的），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，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。例如对于这么一个文件流"01000000_01000001_01000010_01000011"(下划线"_"，是为了增强可读性，而手动添加的)，第一个8比特"01000000"按ASCII码来解码的话，所对应的字符是字符"A"，同理其它3个8比特可分别解码为"BCD"，即这个文件流可解释成"ABCD"，然后记事本就将这个"ABCD"显示在屏幕上。
   
    事实上，世界上任何东西要与其他东西通信会话，都存在一个既定的协议，既定的编码。人与人之间通过文字联络，汉字"妈"代表生你的那个人，这就是一种既定的编码。但注意到这样一种情况，汉字"妈"在日本文字里有可能是你生下的那个人，所以当一个中国人Ａ与日本Ｂ之间用"妈"这个字进行交流，出现误解就很正常的。用记事本打开二进制文件与上面的情况类似。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。解码和译码不对应嘛。例如文件流"00000000_00000000_00000000_00000001"可能在二
进制文件中对应的是一个四字节的整数int 1，在记事本里解释就变成了"NULL_NULL_NULL_SOH"这四个控制符。

    文本文件的存储与其读取基本上是个逆过程，不再累述。而二进制文件的存取显然与文本文件的存取差不多，只是编／解码方式不同而已，也不再叙述。

三、文本文件与二进制文件的优缺点
    文本文件与二进制文件的区别仅仅是编码上不同，优缺点也就是编码的优缺点。这个找本编码的书来看看就比较清楚了。一般认为，文本文件编码基于字符定长，译码容易些；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）。关于空间利用率，想想看，二进制文件甚至可以用一个比特来代表一个意思(位操作)，而文本文件任何一个意思至少是一个字符。
   
很多书上还认为，文本文件的可读性要好些，存储要花费转换时间(读写要编译码)。而二进制文件可读性差，存储不存在转换时间（读写不要编解码，直接写值）。这里的可读性是从软件使用者角度来说的，因为用通用的记事本工具就几乎可以浏览所有文本文件，所以说文本文件可读性好；而读写一个具体的二进制文件需要一个具体的文件解码器，所以说二进制文件可读性差，比如读BMP文件，必须用读图软件。而这里的存储转换时间应该是从编程的角度来说的，因为有些操作系统如windows需要对回车换行符进行转换(将"\n"，换成"\r\n"，所以文件读写时，操作系统需要一个一个字符的检查
当前字符是不是"\n"或"\r\n")，这个在存储转换在Linux操作系统中并不需要，当然，当在两个不同的操作系统上共享文件时，这种存储转换又可能出来(如Linux系统和Windows系统共享文本文件)。关于这个转换怎样进行，将在下一篇文章《Linux文本文件与Windows文本文件间的转换》给出^_^

四、Ｃ的文本读写和二进制读写
    应该说Ｃ的文本读写与二进制的读写是一个编程层次上的问题，与具体的操作系统有关，所以"用文本方式读写的文件一定是文本文件，用二进制读写的文件一定是二进制文件"这类观点是错误的。下面的讲述非明确指出操作系统类型，都暗指windows。
    Ｃ的文本方读写与二进制读写的差别仅仅体现在回车换行符的处理上。文本方式写时，每遇到一个"\n"(0AH换行符)，它将其换成"\r\n" (0D0AH，回车换行)，然后再写入文件；当文本读取时，它每遇到一个"\r\n"将其反变化为"\n"，然后送到读缓冲区。正因为文本方式有" \n"－－"\r\n"之间的转换，其存在转换耗时。二进制读写时，其不存在任何转换，直接将写缓冲区中数据写入文件。

    总地来说，从编程的角度来说，Ｃ中文本或二进制读写都是缓冲区与文件中二进制流的交互，只是文本读写时有回车换行的转换。所以当写缓冲区中无换行符"\n"(0AH)，文本写与二进制写的结果是一样的。同理，当文件中不存在"\r\n"(0DH0AH)时，文本读与二进制读的结果一样。


五、实例
5678的存储形式为：
ASCII码：   　00110101   00110110   00110111   00111000 （四个字节）

5678的存储形式为：
二进制：      00010110   00101110 （两个字节）

二进制文件和文本文件的唯一差异就是前者含有一些非标准输出的ASCII码。（0x01就是非标准输出的ASCII码，0x61就是标准输出的ASCII码。）