字符集和编码II: fat/msdos/vfat (文件名乱码的问题)

具体到文件名乱码的问题，需要明确两点

1. 第一，文件名作为一个字符串，需要被编码后存入文件系统；
2. 第二，Linux内核无非是个特殊的应用程序，它读取文件名，再把文件名以编码后的形式传递出去。

但Linux内核只能逐字节处理编码流（而Windows NT内核是UCS-2的，逐2字节处理编码流），因此必须采用某种单字节编码（这包括所有的不定长编码）进行输出——这就是Linux内核所谓的NLS，对应于Windows的codepage。

在对文件名的处理上，fat和vfat的区别在于：fat/msdos只支持短文件名（8.3命名法），而vfat加入了对长文件名和UNICODE的支持。

为了保持与fat的兼容性，在vfat中，每个文件同时拥有“长”文件名和短文件名，其中短文件名不区分大小写（实际上是不允许小写字母出现在文件 名中）。可以这么理解，对于vfat，“长文件名”是文件真正的名字，“短文件名”则是提供兼容性的名字。举例来说，文件“真名”为abc.txt，它的 短文件名是ABC.TXT；文件“真名”为alongname.txt，它的短文件名则是ALONGN~1.TXT。

无论是fat还是vfat，短文件名按codepage编码存储，长文件名按UNICODE编码存储。因此，如果文件的真名（也就是长文件名）是s，短文件名是s′，则它们在文件系统中分别被存储为

s,φenc(s′).

为了访问fat/vfat文件系统，我们需要用内核的msdos或vfat模块。它们有三个跟字符集有关的内核参数：codepage，iocharset，utf8。我们来确定它们对应着什么样的编码或解码函数。

• codepage=enc：用来转换短文件名中字节码为128~255的代码页。这一选项指定的是短文件名的解码函数φ−1enc（因为短文件名被codepage编码了），解码的结果是短文件名被用unicode表示；
• iocharset=enc：用来转换长文件名和解码后的短文件名。也就是说，这一选项指定编码函数φenc，使得内核最终的输出是经过φenc编码的；
• utf8：几乎等于iocharset=utf8

这样，参数有如下的具体选择：

• codepage：这一选项只跟短文件名有关。短文件名可以通过mount -t msdos看到，也可以用windows命令行看到。不在乎短文件名的同学，这个选项完全无所谓；在乎短文件名并且使用简体中文的同学，请写

  codepage=936

• iocharset：分情况讨论。
  • 若locale不是utf8，则选择相应的locale，比如GB系就应该选

    iocharset=cp936

  • 若locale是utf8的，可以选择

    iocharset=utf8

    但这样做的缺点是会导致vfat模块将允许短文件名使用小写字母，这与windows是不兼容的（使用iocharset=utf8时，内核会出一条警告信息的——这比较没道理，估计是个历史遗留问题）；

• utf8：一个解决办法是使用utf8参数，只要iocharset!=utf8，vfat就会处理大小写的问题；而utf8参数则会最终处理字 符集的转换。utf8参数只能显式地通过mount调用（不能在编译内核时预先指定，当然也可以写在/etc/fstab里），我的意思是这个选项不能偷 懒不写。

最后是结论：

1. codepage=936，这一选项可以在内核默认设置；
2. 本地locale是gb系的，参数应为

   mount -t vfat -o iocharset=cp936

3. 本地locale是utf8的，如果能忍受内核每次都要警告，并且不跟windows交互，可以

   mount -t vfat -o iocharset=utf8

4. 要是不能忍3或者交互时出现奇怪的问题，那就

   mount -t vfat -o iocharset=cp936,utf8

   实际上只要内核默认的iocharset不是utf8，直接写

   mount -o utf8

   就可以，这里iocharset=xxx的作用仅仅是处理大小写，所以怎么填都没关系。

我们来看一下这些选项究竟做了些什么事情，假设一个FAT文件系统在简体中文的windows上用过，而Linux程序的locale设置为UTF-8，文件名为s，其短文件名为s′

1. 在文件系统上（也就是在硬盘里），文件名被存为s，短文件名被存为φcp936(s′)；
2. 内核通过codepage=936选项，将映射φ−1cp936作用于φcp936(s′)，得到
   φ−1cp936∘φcp936(s′)=s′;
3. 内核通过utf8或iocharset=utf8选项，将映射φutf8作用于s,s′，最终向应用程序输出
   φutf8(s′),φutf8(s);
4. 应用程序（如ls、nautilus）通过locale的设置，将φ−1utf8作用于内核输出，得到我们所看见的字符串s,s′.