再谈乱码问题

有问题，不要怕！点击推文底部“阅读原文”下载爬虫俱乐部用户问题登记表并按要求填写后发送至邮箱statatraining@163.com,我们会及时为您解答哟~

喜大普奔~爬虫俱乐部的github主站正式上线了！我们的网站地址是：https://stata-club.github.io，粉丝们可以通过该网站访问过去的推文哟~

——爬虫俱乐部

好消息

爬虫俱乐部即将推出研究助理供需平台，如果您需要招聘研究助理(Research Assistant or Research Associate)，可以将您的需求通过我们的公众号发布；如果您想成为一个RA，可以将您的简历发给我们，进入我们的研究助理数据库。帮我们写优质的推文可以提升您被知名教授雇用的胜算呀！

我们知道Stata14之前采用的是ASCII编码，Stata14、Stata15采用的是utf-8编码，由于编码的不同，一种版本Stata下的do文件、dta文件在另一种版本的Stata打开时，就会出现乱码；另外，Stata13及之前版本只能识别ASCII编码，当读入utf-8编码类型的外部文件时就会发生乱码，同理，用Stata14、Stata15读入编码类型为ASCII的外部文件时也会发生乱码。遇到以上情况，我们都需要对文件进行转码。那么乱码是怎么产生的呢？什么是转码呢？今天小编就给大家解释清楚这个问题。

我们以一个编码为gb2312的.htm文件（数据链接：https://pan.baidu.com/s/1i6v9LUP）为例，用Sublime打开如下图所示：

charset 属性规定在外部脚本文件中使用的字符编码，由上图可知该htm文件的编码为gb2312，现在如果直接将其读入Stata15，htm文件中的中文将会发生乱码，如下图所示：

infix strL v 1-20000 using mytable.htm, clear

这个时候呢，我们需要将其进行转码，也就是将gb2312的编码转换为utf-8的编码，转码的程序在我们的推文中多次涉及，并且在推文朝花夕拾 | 识得庐山真面目—unicode命令中详细做了介绍，转码程序如下：

clear

unicode encoding set gb18030

unicode translate mytable.htm, transutf8

unicode erasebackups, badidea 

转码后，再次读入：

infix strL v 1-20000 using mytable.htm, clear

如上图所示，乱码问题得到了解决。接着我们用谷歌浏览器将打开这个转过码的htm文件以及原始的htm文件，如下图所示，转过码：

原始文件：

对比原始文件，我们发现转过码的htm文件用谷歌浏览器打开时又发生了乱码。这样乱码-转码-又乱码，是不是感觉一团糟呢？不要着急，听我慢慢道来。首先，要弄清楚上边，unicode的那三行命令是将gb18030的编码转换为utf-8的编码。什么意思呢？

我们用tobytes()函数可以得到utf-8编码下字符串”爬虫俱乐部”的十六进位制编码，关于函数的用法，读者可自行help tobytes查阅。

dis tobytes("爬虫俱乐部",1) 

其中\xe7\x88\xac即为utf-8编码下“爬”的十六进位制编码。可以看到一个汉字对应三个十六进位制编码，这也说明了基础汉字在utf-8编码下占3个字节。

dis tobytes("`=ustrto("爬虫俱乐部","gb18030",1)'",1)

这里我们首先用ustrto()这个函数把字符串“爬虫俱乐部”由utf-8编码转换为gb18030编码，然后再将tobytes函数得到gb18030编码下的字符串“爬虫俱乐部”的十六进位制编码。如上图所示：在gb18030编码下，“爬”的十六进位制编码为\xc5\xc0，每一个汉字对应2个十六进位制编码，说明汉字在gb18030编码下占2个字节。

unicode的那3行命令实际上就是完成了上述过程，即改变了文件中字符的编码。例如将字符串“爬虫俱乐部”的编码由“\xc5\xc0\xb3\xe6\xbe\xe3\xc0\xd6\xb2\xbf”转换为“\xe7\x88\xac\xe8\x99\xab\xe4\xbf\xb1\xe4\xb9\x90\xe9\x83\xa8”。

那么现在再回到刚开始的问题：

第一， 乱码是怎么产生的？

1.以字符串“爬虫俱乐部”为例，其gb18030下的编码为\xc5\xc0\xb3\xe6\xbe\xe3\xc0\xd6\xb2\xbf，而Stata15只能识别utf-8编码，所以会将\xc5\xc0\xb3当成第一个汉字的编码，\xe6\xbe\xe3为第二个汉字的编码；而事实上在utf-8下，\xe7\x88\xac对应第一个汉字的十六进位制编码，因此读入Stata后发生乱码。

2.再谈为什么转码后的htm文件，用谷歌浏览器打开发生乱码。我们知道转码后，htm文件中字符的编码为utf-8，但是网页的charset=gb2312没有变化，也就是网页按照gb2312的编码方式去识别转码过的字符，于是发生乱码。这时候可以用sublime打开htm文件，将charset=gb2312改为charset=utf-8即可。

第二，什么是转码？

即对同一个字符串从一种编码转为另一种编码。例如前边我们把字符串“爬虫俱乐部”将gb2312编码“\xc5\xc0\xb3\xe6\xbe\xe3\xc0\xd6\xb2\xbf”转换为utf-8编码“\xe7\x88\xac\xe8\x99\xab\xe4\xbf\xb1\xe4\xb9\x90\xe9\x83\xa8”。关于转码我们在推文朝花夕拾 | 识得庐山真面目—unicode命令中详细的介绍了如何使用unicode命令进行转码。在下一篇推文中，我们会给大家总结一下Stata中经常使用的几种转码的方法，敬请关注！

1

END

1