汉字编码问题

拼搏现实的明天。 2022-03-29 04:28 224阅读 0赞

汉字编码问题  
由于常常要和汉字处理打交道，因此，我常常受到汉字编码问题的困扰。在不断的打击与坚持中，也积累了一点汉字编码方面的经验，想和大家一起分享。  
一、汉字编码的种类  
汉字编码中现在主要用到的有三类，包括GBK，GB2312和Big5。  
1、GB2312又称国标码，由国家标准总局发布，1981年5月1日实施，通行于大陆。新加坡等地也使用此编码。它是一个简化字的编码规范，当然也包括其他的符号、字母、日文假名等，共7445个图形字符，其中汉字占6763个。我们平时说6768个汉字，实际上里边有5个编码为空白，所以总共有6763个汉字。  
GB2312规定“对任意一个图形字符都采用两个字节表示，每个字节均采用七位编码表示”，习惯上称第一个字节为“高字节”，第二个字节为“低字节”。GB2312中汉字的编码范围为，第一字节0xB0-0xF7(对应十进制为176-247)，第二个字节0xA0-0xFE（对应十进制为160-254）。  
GB2312将代码表分为94个区，对应第一字节（0xa1-0xfe）；每个区94个位（0xa1-0xfe），对应第二字节，两个字节的值分别为区号值和位号值加32（2OH），因此也称为区位码。01-09区为符号、数字区，16-87区为汉字区（0xb0-0xf7），10-15区、88-94区是有待进一步标准化的空白区。

2、Big5又称大五码，主要为香港与台湾使用，即是一个繁体字编码。每个汉字由两个字节构成，第一个字节的范围从0X81－0XFE（即129-255），共126种。第二个字节的范围不连续，分别为0X40－0X7E（即64-126），0XA1－0XFE（即161-254），共157种。

3、GBK是GB2312的扩展，是向上兼容的，因此GB2312中的汉字的编码与GBK中汉字的相同。另外，GBK中还包含繁体字的编码，它与Big5编码之间的关系我还没有弄明白，好像是不一致的。GBK中每个汉字仍然包含两个字节，第一个字节的范围是0x81-0xFE（即129-254），第二个字节的范围是0x40-0xFE（即64-254）。GBK中有码位23940个，包含汉字21003个。

表1 汉字编码范围

名称 | 第一字节 | 第二字节  
\--------|-------------------------|------------------------  
GB2312 | 0xB0-0xF7(176-247) | 0xA0-0xFE（160-254）  
\--------|-------------------------|-------------------------  
GBK0 | x81-0xFE（129-254） | 0x40-0xFE（64-254）  
\--------|-------------------------|-------------------------  
Big5 | 0x81-0xFE（129-255） | 0x40-0x7E（64-126），  
| | 0xA1－0xFE（161-254）  
\--------|-------------------------|------------------------

二、对汉字进行hash  
为了处理汉字的方便，在查找汉字的时候，我们通常会用到hash的方法，那怎么来确定一个汉字位置呢？这就和每种编码的排列有关了，这里主要给出一种hash函数的策略。  
对于GB2312编码，设输入的汉字为GBword，我们可以采用公式(C1-176)\*94 + (C2-161)确定GBindex。其中，C1表示第一字节，C2表示第二字节。具体如下：  
GBindex = ((unsigned char)GBword.at(0)-176)\*94 + (unsigned char)GBword.at(1) - 161;  
之所以用unsigned char类型，是因为char是一个字节，如果用unsigend int，因为int是4个字节的，所以会造成扩展，导致错误。  
对于GBK编码，设输入的汉字为GBKword，则可以采用公式 index=(ch1-0x81)\*190+(ch2-0x40)-(ch2/128)，其中ch1是第一字节，ch2是第二字节。  
具体的，  
GBKindex = ((unsigned char)GBKword\[0\]-129)\*190 +  
((unsigned char)GBKword\[1\]-64) - (unsigned char)GBKword\[1\]/128;

三、怎样判断一个汉字的是什么编码  
直接根据汉字的编码范围判断，对于GB2312和GBK可用下面两个程序实现。  
1、判断是否是GB2312  
bool isGBCode(const string& strIn)  
\{  
unsigned char ch1;  
unsigned char ch2;

if (strIn.size() >= 2)  
\{  
ch1 = (unsigned char)strIn.at(0);  
ch2 = (unsigned char)strIn.at(1);  
if (ch1>=176 && ch1<=247 &&ch2>=160 && ch2<=254)  
return true;  
else return false;  
\}  
else return false;  
\}  
2、判断是否是GBK编码  
bool isGBKCode(const string& strIn)  
\{  
unsigned char ch1;  
unsigned char ch2;

if (strIn.size() >= 2)  
\{  
ch1 = (unsigned char)strIn.at(0);  
ch2 = (unsigned char)strIn.at(1);  
if (ch1>=129 && ch1<=254 &&ch2>=64 && ch2<=254)  
return true;  
else return false;  
\}  
else return false;  
\}

3、对于Big5  
它的范围为：高字节从0xA0到0xFE，低字节从0x40到0x7E，和0xA1到0xFE两部分。判断一个汉字是否是BIG5编码，可以如上对字符的编码范围判断即可。如何定位呢？那么也想象所有编码排列为一个二维坐标，纵坐标是高字节，横坐标是低字节。这样一行上的汉字个数：(0x7E-0x40+1)+(0xFE-0xA1+1)＝157。那么定位算法分两块，为:

if 0x40<=ch2<=0x7E: \#is big5 char  
index=((ch1-0xA1)\*157+(ch2-0x40))\*2  
elif 0xA1<=ch2<=0xFE: \#is big5 char  
index=((ch1-0xA1)\*157+(ch2-0xA1+63))\*2

对于第二块，计算偏移量时因为有两块数值，所以在计算后面一段值时，不要忘了前面还有一段值。0x7E-0x40+1=63。

四、如果判断一个字符是西文字符还是中文字符  
大家知道西文字符主要是指ASCII码，它用一个字节表示。且这个字符转换成数字之后，该数字是大于0的，而汉字是两个字节的，第一个字节的转化为数字之后应该是小于0的，因此可以根据每个字节转化为数字之后是否小于0，判断它是否是汉字。  
例如，设输入字为strin，则，  
If (strin.at(0) < 0)  
cout << ”是汉字” << endl;  
else cout << ”不是汉字” << endl;