曲径通幽论坛

标题: 中文字符编码 GB2312，GBK，GB18030 简介 [打印本页]

作者: beyes 时间: 2011-6-12 19:43
标题: 中文字符编码 GB2312，GBK，GB18030 简介
为了使计算机可以显示中文字符，所以必须设计一套中文字符编码。

早在 1980 年，GB2312 被设计出来，总共收录 7445 个字符，包括 6763 个汉字和 682 个其它符号。汉字区的内码范围高字节从 B0-F7，低字节从 A1-FE，也就是总共可以显示 (0xF7 - 0xB0 + 1) * (0xFE - 0xA1 + 1) 个汉字，即 72 * 94 = 6768 个，但是有 5 个空位(D7FA, D7FB, D7FC, D7FD, D7FE)，这 5 个空位不显示汉字，所以可以显示的汉字共有 6768 - 5 = 6763 个

由于 GB2312 支持汉字太少，比如对于人名、古汉语等方面出现的罕用字 GB2312 并不能支持。时隔十五年后，即 1995 年时又制定了 GBK1.0。GBK1.0 一共收录了 21886 个字符。这个字符集分为两大区：汉字区和图形符号区；其中汉字区共收录 21003 个字符。

在 2000 年时，又制定了 GB18030 标准，这是对 GBK1.0 的一次扩展，它也是用以取代 GBK1.0 的国家标准。GB18030 共收录 27484 个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。现在的 PC 平台必须支持GB18030，对嵌入式产品暂不作要求。所以手机、MP3一般只支持GB2312。

从ASCII、GB2312、GBK 到 GB18030，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为0。GB2312、GBK 到 GB18030 都属于双字节字符集 (DBCS)。

GB2312 的分区表示法：

GB 2312中对所收汉字进行了“分区”处理，每区含有94个汉字/符号。这种表示方式也称为区位码。

01-09区为特殊符号。

6-55区为一级汉字，按拼音排序。

56-87区为二级汉字，按部首/笔画排序。

10-15区及88-94区则未有编码。

举例来说，“啊”字是GB2312之中的第一个汉字，它的区位码就是1601。

字节结构：
在使用GB2312的程序中，通常采用EUC储存方法，以便兼容于ASCII。浏览器编码表上的“GB2312”，通常都是指 “EUC-CN” 表示法。

每个汉字及符号以两个字节来表示。第一个字节称为“高位字节”（也称“区字节）”，第二个字节称为“低位字节”（也称“位字节”）。

“高位字节”使用了 0xA1-0xF7 (把01-87区的区号加上0xA0)，“低位字节”使用了 0xA1-0xFE (把01-94加上 0xA0)。由于一级汉字从16区起始，汉字区的“高位字节”的范围是0xB0-0xF7，“低位字节”的范围是0xA1-0xFE，占用的码位是 72*94=6768。其中有5个空位是D7FA-D7FE。

例如“啊”字在大多数程序中，会以两个字节，0xB0（第一个字节） 0xA1（第二个字节）储存。

另外，GB 内码的存储格式始终是 big endian(大端格式)，即高位在前，低位在后。

附 GB2312 简体中文编码表(PDF 格式)：
网盘下载
在上面附件所示的编码表中，每一个区都会明显的以几行空白间隔开来。

欢迎光临曲径通幽论坛 (http://www.groad.net/bbs/)