[原创] 批处理技术内幕：批处理与Unicode

Demon

标题: 批处理技术内幕：批处理与Unicode
作者: Demon
链接: http://demon.tw/reverse/cmd-internal-unicode.html
版权: 本博客的所有文章，都遵守“署名-非商业性使用-相同方式共享 2.5 中国大陆”协议条款。

CMD在内部是以Unicode来运作的，这点无须置疑。你可能要问，如果是Unicode的话，那么Unicode编码保存的脚本怎么不能执行？

让我们一起来看一下CMD是怎么解析批处理脚本的吧。

echo http://demon.tw
复制代码

用OllyDbg载入，bp ReadFile后运行，就会断在读取脚本的地方。



可以看到每次读取0x1FFF（8191）个字节（注意不是字符）到缓冲区。

F8单步，不一会就到了MultiByteToWideChar函数，将刚才读取的字节以当前代码页转换成Unicode储存在另一个缓冲区，之后的处理都是建立在转换后的Unicode之上的。



也就是说，CMD在读取脚本时并不会预先判断脚本的编码（实际上，要准确判断文件编码几乎是不可能的），而是调用ReadFile函数读取文件后以当前代码页调用MultiByteToWideChar函数将其转成Unicode编码。如果你的是简体中文系统，而你没有修改默认的区域设置，并且你没有在批处理中使用chcp命令的话，那么默认的当前代码页就是936，即GBK编码。

就算你的批处理是使用Unicode保存的，CMD也不会知道，CMD仍然傻傻的把它当成GBK，Unicode被当成GBK转换成Unicode，结果当然是不能运行的。

到这里还没有结束，我们都知道CMD有一个/U开关，帮助文档对/U的描述是：

Causes the output of internal commands to a pipe or file to be Unicode
复制代码

对应的还有一个/A开关：

Causes the output of internal commands to a pipe or file to be ANSI
复制代码

默认是开关是/A，也就是说CMD命令输出的默认编码是ANSI。

等一下，好像哪里不对吧？是的，只有在输出被重定向到管道或者文件的时候才是ANSI（默认，不加/U的话），换句话说，如果直接在CMD输出，那么仍然是Unicode编码。

echo 你好，世界
echo 你好，世界>1.txt
复制代码

CMD对这两行代码的处理是不一样的。



如果标准输出STDOUT没有被重定向（第一行代码），那么直接调用WriteConsoleW函数输出Unicode。



如果标准输出STDOUT被重定向了（第二行代码），那么会先以当前代码页为参数调用WideCharToMultiByte函数将Unicode转成相应的编码，再调用WriteFile写入文件。



请注意我一直强调当前代码页，因为代码页是可以通过chcp命令改变的，所以从MultiByteToWideChar到WideCharToMultiByte这段时间里，当前的代码页很可能被改变了。

猜猜看下面这段批处理会输出什么？

@echo off
setlocal enabledelayedexpansion
chcp 437>nul
set c=個
chcp 1252>nul
echo !c!>1.txt
pause
复制代码

为了减低难度，给出两个链接：

http://en.wikipedia.org/wiki/Code_page_437
http://en.wikipedia.org/wiki/Windows-1252

如果你不用运行就能知道答案，那么恭喜你已经理解本文了；如果你就算实际运行了还是想不明白为什么，那也不用灰心，我会告诉你答案。

前两行大家都懂，我就不说了，第三行chcp将当前活动的代码页改为437，CMD就会把之后的代码当成437编码（请允许我这么称呼，因为我实在不知道它叫什么编码）。

好在437编码是部分兼容ASCII的，所以"set c="并不会有什么问题，它仍然是"set c="；但是437里面是没有"個"这个中文字符的，它会把"個"当成0×82和0×80两个字符，而437中的0×82和0×80对应Unicode中的0x00E9和0x00C7（上面的链接里有映射表），于是

set c=個
复制代码

这行代码运行之后c在内存中的值是0x00E9 0x00C7。

接下来chcp将代码页改成了1252，而下一行echo是把c的值重定向输出到1.txt，所以要把Unicode转成1252编码。0x00E9对应1252中的0xE9，0x00C7对应1252中的0xC7（参考上面的链接），所以转换以后的值是0xE9 0xC7，即1.txt的内容为0xE9 0xC7（当然，还有echo附加上去的0x0D 0x0A）。

用记事本打开1.txt时当前的代码页仍然是936不变，所以将按照GBK编码来解释0xE9 0xC7，这正好是"榍"字的GBK码，怎么样，是不是绕晕了？

如果你还是搞不明白，那也没关系，你只要知道CMD会先把批处理脚本转成Unicode再进行解析的就行了；如果你搞懂了，那可以考虑一下下面的代码会生成什么：

chcp 37
in[
复制代码

可以参考http://en.wikipedia.org/wiki/EBCDIC_037

forfiles

有些命令，像wmic，重定向之后的文件会是unicode编码，这个估计是命令本身实现的吧。

CrLf

很给力的文章

Demon

有些命令，像wmic，重定向之后的文件会是unicode编码，这个估计是命令本身实现的吧。
forfiles 发表于 2012-7-26 08:00

外部命令的编码是由外部命令的实现决定的。

wankoilz

经典！期待后续“内幕”！