漢字編碼問題由于常常要和漢字處理打交道，因此，我常常受到漢字編碼問題的困擾。在不斷的打擊與堅持中，也積累了一點漢字編碼方面的經驗，想和大家一起分享。 一、漢字編碼的種類 漢字編碼中現(xiàn)在主要用到的有三類，包括GBK，GB2312和Big5。 1、GB2312又稱國標碼，由國家標準總局發(fā)布，1981年5月1日實施，通行于大陸。新加坡等地也使用此編碼。它是一個簡化字的編碼規(guī)范，當然也包括其他的符號、字母、日文假名等，共7445個圖形字符，其中漢字占6763個。我們平時說6768個漢字，實際上里邊有5個編碼為空白，所以總共有6763個漢字。 GB2312規(guī)定“對任意一個圖形字符都采用兩個字節(jié)表示，每個字節(jié)均采用七位編碼表示”，習慣上稱第一個字節(jié)為“高字節(jié)”，第二個字節(jié)為“低字節(jié)”。GB2312中漢字的編碼范圍為，第一字節(jié)0xB0-0xF7(對應十進制為176-247)，第二個字節(jié)0xA0-0xFE（對應十進制為160-254）。 GB2312將代碼表分為94個區(qū)，對應第一字節(jié)（0xa1-0xfe）；每個區(qū)94個位（0xa1-0xfe），對應第二字節(jié)，兩個字節(jié)的值分別為區(qū)號值和位號值加32（2OH），因此也稱為區(qū)位碼。01-09區(qū)為符號、數(shù)字區(qū)，16-87區(qū)為漢字區(qū)（0xb0-0xf7），10-15區(qū)、88-94區(qū)是有待進一步標準化的空白區(qū)。
2、Big5又稱大五碼，主要為香港與臺灣使用，即是一個繁體字編碼。每個漢字由兩個字節(jié)構成，第一個字節(jié)的范圍從0X81－0XFE（即129-255），共126種。第二個字節(jié)的范圍不連續(xù)，分別為0X40－0X7E（即64-126），0XA1－0XFE（即161-254），共157種。
3、GBK是GB2312的擴展，是向上兼容的，因此GB2312中的漢字的編碼與GBK中漢字的相同。另外，GBK中還包含繁體字的編碼，它與Big5編碼之間的關系我還沒有弄明白，好像是不一致的。GBK中每個漢字仍然包含兩個字節(jié)，第一個字節(jié)的范圍是0x81-0xFE（即129-254），第二個字節(jié)的范圍是0x40-0xFE（即64-254）。GBK中有碼位23940個，包含漢字21003個。
表1 漢字編碼范圍
二、對漢字進行hash 為了處理漢字的方便，在查找漢字的時候，我們通常會用到hash的方法，那怎么來確定一個漢字位置呢？這就和每種編碼的排列有關了，這里主要給出一種hash函數(shù)的策略。 對于GB2312編碼，設輸入的漢字為GBword，我們可以采用公式(C1-176)*94 + (C2-161)確定GBindex。其中，C1表示第一字節(jié)，C2表示第二字節(jié)。具體如下： GBindex = ((unsigned char)GBword.at(0)-176)*94 + (unsigned char)GBword.at(1) - 161; 之所以用unsigned char類型，是因為char是一個字節(jié)，如果用unsigend int，因為int是4個字節(jié)的，所以會造成擴展，導致錯誤。 對于GBK編碼，設輸入的漢字為GBKword，則可以采用公式 index=(ch1-0x81)*190+(ch2-0x40)-(ch2/128)，其中ch1是第一字節(jié)，ch2是第二字節(jié)。 具體的， GBKindex = ((unsigned char)GBKword[0]-129)*190 + ((unsigned char)GBKword[1]-64) - (unsigned char)GBKword[1]/128;
三、怎樣判斷一個漢字的是什么編碼 直接根據(jù)漢字的編碼范圍判斷，對于GB2312和GBK可用下面兩個程序實現(xiàn)。 1、判斷是否是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、判斷是否是GBK編碼 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、對于Big5 它的范圍為：高字節(jié)從0xA0到0xFE，低字節(jié)從0x40到0x7E，和0xA1到0xFE兩部分。判斷一個漢字是否是BIG5編碼，可以如上對字符的編碼范圍判斷即可。如何定位呢？那么也想象所有編碼排列為一個二維坐標，縱坐標是高字節(jié)，橫坐標是低字節(jié)。這樣一行上的漢字個數(shù)：(0x7E-0x40+1)+(0xFE-0xA1+1)＝157。那么定位算法分兩塊，為: 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
對于第二塊，計算偏移量時因為有兩塊數(shù)值，所以在計算后面一段值時，不要忘了前面還有一段值。0x7E-0x40+1=63。
四、如果判斷一個字符是西文字符還是中文字符 大家知道西文字符主要是指ASCII碼，它用一個字節(jié)表示。且這個字符轉換成數(shù)字之后，該數(shù)字是大于0的，而漢字是兩個字節(jié)的，第一個字節(jié)的轉化為數(shù)字之后應該是小于0的，因此可以根據(jù)每個字節(jié)轉化為數(shù)字之后是否小于0，判斷它是否是漢字。 例如，設輸入字為strin，則， If (strin.at(0) < 0) cout << ”是漢字” << endl; else cout << ”不是漢字” << endl;
五、編碼表下載 GBK編碼表，下載 GB2312編碼表，下載 |
|
|
