汉字编码对照表(gb2312Big5GB2312)
汉字编码对照表（gb2312Big5GB2312）
⼀、汉字编码的种类
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
GB23120xB0-0xF7(176-247)0xA0-0xFE（160-254）
GBK0x81-0xFE（129-254）0x40-0xFE（64-254）
Big50x81-0xFE（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汉字编码
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;
五、编码表下载
见附件

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。