12.4. 郵件亂碼?

由於歷史原因,Internet 上有些郵件系統只支援 7Bit 的字元傳輸, 而漢字的內碼是 8Bit 的,當在電子郵件中發送中文時, 如果經過這些只支援 7Bit 字元的郵件系統, 便會將漢字內碼的第八位元的 1 全部變成 0。

以 "中文" 兩字為例,HEX 為 A4A4A4E5, 當最高位元被清掉時就會變成 24242465,也就是 "$$$e"。 telnet 也存在這樣子的問題。

除了中文郵件外,使用電子郵件傳送圖片、程式、 壓縮文件等也會發生這個問題。 所以在電子郵件中一般採用各種郵件編碼方式來解決這個問題, 將 8Bit 按照一定的規則進行編碼, 便可以完好地通過只支持 7Bit 字元的郵件系統。

常見的郵件編碼有 UU 與 MIME,而 MIME (Multipurpose Internet Mail Extentions) 一般翻譯成「多媒體傳送模式」, 顧名思義,它標榜的就是可以傳送多媒體型式的檔案, 可以在一封mail中附加各種型式檔案一起送出。

MIME 定義兩種編碼方法:Base64 與QP(Quote-Printable), 兩者使用時機不同,QP 的規則是對於資料中的7bits無須重複encode, 僅8bits資料轉成7bits。QP編碼適用於非US-ASCII的文字內容, 例如中文檔案,而Base64的編碼規則,是將整個檔案重新編碼, 編成7bits,它是用於傳送binary檔案時使用。 由於編碼的方式不同,會影響編碼之後的檔案大小。 有些較懶惰的軟體便都一律採用Base64編碼了。

含有 MIME 編碼的文件,您查看它的源始碼,一般都含有: "This is a multi-part message in MIME format." 這樣的句子。

以下以 mmencode (又稱為 mimencode) 作為 QP 與 BASE64 的範例, 安裝 converters/mmencode

RFC 2045 - Multipurpose Internet Mail Extensions (MIME) Part One: Format of Internet Message Bodies

RFC 2046 - Multipurpose Internet Mail Extensions (MIME) Part Two: Media Types

RFC 2047 - MIME (Multipurpose Internet Mail Extensions) Part Three: Message Header Extensions for Non-ASCII Text

12.4.1. UU 編碼 (uuencode與uudecode)

UU 是指 Unix 之間傳送二進制文件,就是 Unix to Unix。 使用 uuencode 將檔案編成7位元ASCII檔案,把它寄出, 收信人收到後,可以用 uudecode 將這份資料還原為原來的檔案。

uuencode 的第一個參數是要加碼的檔案,也就是您信件的內容。 第二個參數是希望收信人解開後檔案叫什麼名字。

% echo "中文" > infile
% uuencode infile remotefile
begin 644 remotefile
%I*2DY0KQ
`
end
% uuencode infile remotefile | mail statue
% mail
Mail version 8.1 6/6/93.  Type ? for help.
"/var/mail/statue": 1 message 1 new
>N  1 statue                Fri Dec 21 13:12  16/390
&
Message 1:
From statue Fri Dec 21 13:12:19 2001
Date: Fri, 21 Dec 2001 13:12:19 +0800 (CST)
From: statue <statuei>
To: statue

begin 644 remotefile
%I*2DY0KQ
`
end
& s mail1
"mail1" [New file]
& q
% uudecode mail1
% cat remotefile
中文

12.4.2. QP - Quote-Printable

Content-Transfer-Encoding: quoted-printable

QP編碼的方式,是將一個字元用二個16進位法的數值表示, 然後前面再加個「=」字元(等號):

% echo "中文" | mmencode -q
=A4=A4=A4=E5
% echo "=A4=A4=A4=E5" | mmencode -q -u
中文

或是用 perl 來將 QP 解碼:

while(defined($line = <STDIN>)) {
  $line =~ s/=([0-9A-Fa-f][0-9A-Fa-f])/chr hex $1/ge;
  $line =~ s/[\n\r]+$//;
  print STDOUT $line;
}

用 perl 來將文字編成 QP 碼:

while(defined($line = <STDIN>)) {
  $line =~ s/([=\x00-\x1F\x80-\xFF])/sprintf("=%02X",ord($1))/ge;
  print STDOUT $line;
}

12.4.3. BASE64

Content-Transfer-Encoding: BASE64

BASE64 的算法很簡單,它將字符流順序放入一個 24 位的緩衝區, 缺字符的地方補零。然後將緩衝區截斷成 4 個部分,高位在先, 每個部分 6 位,用下面的64個字符重新表示: "ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/"。 如果輸入只有一個或兩個字節,那麼輸出將用等號 "=" 補足。 還可以隔斷附加的信息造成編碼的混亂。這就是BASE64。

% echo "中文" | mmencode
pKSk5Qo=
% echo "pKSk5Qo=" | mmencode -u
中文

12.4.4. 其他亂碼?

以 "中文" 兩字為例,整理一下以上的編碼會出現的狀況:

uuencode:%I*2DY0KQ
QP:=A4=A4=A4=E5
BASE64:pKSk5Qo=

以及其他語言性的轉碼可能出現的狀況:

GB2312:笢恅(iconv -t GB2312)
Unicode:U+4E2D U+6587
UCS-2:N-e(iconv -t UCS-2)
UTF-7:+Ti1lhw(iconv -t UTF-7)
UTF-8:銝剜??(iconv -t UTF-8) 
UTF-16:??N-e?(iconv -t UTF16)
UTF-32:??N-e?(iconv -t UTF32)
CNS11643:1-4463 1-4546
CCCII:213034 214258

另外一些有的沒的程式會出現的狀況:

hexdump:0000000 a4a4 e5a4 000a                         
0000005(hexdump)