一、汉字编码的种类

    汉字编码中现在主要用到的有三类࿰c;包括GBK࿰c;GB2312和Big5。

    1、GB2312又称国标码࿰c;由国家标准总局发布࿰c;1981年5月1日实施࿰c;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࿰c;当然也包括其他的符号、字母、日文假名等࿰c;共7445个class="tags" href="/tags/TuXing.html" title=图形>图形字符࿰c;其中汉字占6763个。我们平时说6768个汉字࿰c;实际上里边有5个编码为空白࿰c;所以总共有6763个汉字。

      GB2312规定“对任意一个class="tags" href="/tags/TuXing.html" title=图形>图形字符都采用两个字节表示࿰c;每个字节均采用七位编码表示”࿰c;习惯上称第一个字节为“高字节”࿰c;第二个字节为“低字节”。GB2312中汉字的编码范围为࿰c;第一字节0xB0-0xF7(对应十进制为176-247)࿰c;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࿰c;对应第一字节（0xa1-0xfe）；每个区94个位（0xa1-0xfe）࿰c;对应第二字节࿰c;两个字节的值分别为区号值和位号值加32（2OH）࿰c;因此也称为区位码。01-09区为符号、数字区࿰c;16-87区为汉字区（0xb0-0xf7）࿰c;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࿰c;主要为香港与台湾使用࿰c;即是一个繁体字编码。每个汉字由两个字节构成࿰c;第一个字节的范围从0X81－0XFE（即129-255）࿰c;共126种。第二个字节的范围不连续࿰c;分别为0X40－0X7E（即64-126）࿰c;0XA1－0XFE（即161-254）࿰c;共157种。

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

                                   表1 汉字编码范围

二、对汉字进行hash

    为了处理汉字的方便࿰c;在查找汉字的时候࿰c;我们通常会用到hash的方法࿰c;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࿰c;这里主要给出一种hash函数的策略。

    对于GB2312编码࿰c;设输入的汉字为GBword࿰c;我们可以采用公式(C1-176)*94 + (C2-161)确定GBindex。其中࿰c;C1表示第一字节࿰c;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࿰c;是因为char是一个字节࿰c;如果用unsigend int࿰c;因为int是4个字节的࿰c;所以会造成class="tags" href="/tags/KuoZhan.html" title=扩展>扩展࿰c;导致错误。

       对于GBK编码࿰c;设输入的汉字为GBKword࿰c;则可以采用公式   index=(ch1-0x81)*190+(ch2-0x40)-(ch2/128)࿰c;其中ch1是第一字节࿰c;ch2是第二字节。

    具体的࿰c;

    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࿰c;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 class="tags" href="/tags/STRING.html" title=string>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 class="tags" href="/tags/STRING.html" title=string>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࿰c;低字节从0x40到0x7E࿰c;和0xA1到0xFE两部分。判断一个汉字是否是BIG5编码࿰c;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࿰c;纵坐标是高字节࿰c;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class="tags" href="/tags/SuanFa.html" title=算法>算法分两块࿰c;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࿰c;计算偏移量时因为有两块数值࿰c;所以在计算后面一段值时࿰c;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࿰c;它用一个字节表示。且这个字符转换成数字之后࿰c;该数字是大于0的࿰c;而汉字是两个字节的࿰c;第一个字节的转化为数字之后应该是小于0的࿰c;因此可以根据每个字节转化为数字之后是否小于0࿰c;判断它是否是汉字。

    例如࿰c;设输入字为strin࿰c;则࿰c;

     If (strin.at(0) < 0)

       cout << ”是汉字” << endl;

     else cout << ”不是汉字” << endl;

五、编码表下载

   GBK编码表࿰c;下载

   GB2312编码表࿰c;下载