漢字編碼問題

weixin_34015860發表於2019-01-07

漢字編碼問題
由於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,由國家標準總局釋出,1981年5月1日實施,通行於大陸。新加坡等地也使用此編碼。它是一個簡化字的編碼規範,當然也包括其他的符號、字母、日文假名等,共7445個圖形字元,其中漢字佔6763個。我們平時說6768個漢字,實際上裡邊有5個編碼為空白,所以總共有6763個漢字。
  GB2312規定“對任意一個圖形字元都採用兩個位元組表示,每個位元組均採用七位編碼表示”,習慣上稱第一個位元組為“高位元組”,第二個位元組為“低位元組”。GB2312中漢字的編碼範圍為,第一位元組0xB0-0xF7(對應十進位制為176-247),第二個位元組0xA0-0xFE(對應十進位制為160-254)。
GB2312將程式碼表分為94個區,對應第一位元組(0xa1-0xfe);每個區94個位(0xa1-0xfe),對應第二位元組,兩個位元組的值分別為區號值和位號值加32(2OH),因此也稱為區位碼。01-09區為符號、數字區,16-87區為漢字區(0xb0-0xf7),10-15區、88-94區是有待進一步標準化的空白區。

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。每個漢字由兩個位元組構成,第一個位元組的範圍從0X81-0XFE(即129-255),共126種。第二個位元組的範圍不連續,分別為0X40-0X7E(即64-126),0XA1-0XFE(即161-254),共157種。

3、GBK是GB2312的擴充套件,是向上相容的,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編碼之間的關係我還沒有弄明白,好像是不一致的。GBK中每個漢字仍然包含兩個位元組,第一個位元組的範圍是0x81-0xFE(即129-254),第二個位元組的範圍是0x40-0xFE(即64-254)。GBK中有碼位23940個,包含漢字21003個。

表1 漢字編碼範圍

名稱    |       第一位元組          |           第二位元組
--------|-------------------------|------------------------
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、對漢字進行hash
為了處理漢字的方便,在查詢漢字的時候,我們通常會用到hash的方法,那怎麼來確定一個漢字位置呢?這就和每種編碼的排列有關了,這裡主要給出一種hash函式的策略。
對於GB2312編碼,設輸入的漢字為GBword,我們可以採用公式(C1-176)*94 + (C2-161)確定GBindex。其中,C1表示第一位元組,C2表示第二位元組。具體如下:
    GBindex = ((unsigned char)GBword.at(0)-176)*94 + (unsigned char)GBword.at(1) - 161;
    之所以用unsigned char型別,是因為char是一個位元組,如果用unsigend int,因為int是4個位元組的,所以會造成擴充套件,導致錯誤。
       對於GBK編碼,設輸入的漢字為GBKword,則可以採用公式   index=(ch1-0x81)*190+(ch2-0x40)-(ch2/128),其中ch1是第一位元組,ch2是第二位元組。
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麼編碼
直接根據漢字的編碼範圍判斷,對於GB2312和GBK可用下面兩個程式實現。
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、對於Big5
它的範圍為:高位元組從0xA0到0xFE,低位元組從0x40到0x7E,和0xA1到0xFE兩部分。判斷一個漢字是否是BIG5編碼,可以如上對字元的編碼範圍判斷即可。如何定位呢?那麼也想象所有編碼排列為一個二維座標,縱座標是高位元組,橫座標是低位元組。這樣一行上的漢字個數:(0x7E-0x40+1)+(0xFE-0xA1+1)=157。那麼定位演算法分兩塊,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

對於第二塊,計算偏移量時因為有兩塊數值,所以在計算後面一段值時,不要忘了前面還有一段值。0x7E-0x40+1=63。

四、如果判斷一個字元是西文字元還是中文字元
大家知道西文字元主要是指ASCII碼,它用一個位元組表示。且這個字元轉換成數字之後,該數字是大於0的,而漢字是兩個位元組的,第一個位元組的轉化為數字之後應該是小於0的,因此可以根據每個位元組轉化為數字之後是否小於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;

相關文章