Kisser Leon

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，由國家標準總局發布，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規定“對任意一個圖形字符都采用兩個字節表示，每個字節均采用七位編碼表示”，習慣上稱第一個字節為“高字節”，第二個字節為“低字節”。GB2312中漢字的編碼范圍為，第一字節0xB0-0xF7(對應十進制為176-247)，第二個字節0xA0-0xFE（對應十進制為160-254）。

    GB2312將代碼表分為94個區，對應第一字節（0xa1-0xfe）；每個區94個位（0xa1-0xfe），對應第二字節，兩個字節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。每個漢字由兩個字節構成，第一個字節的范圍從0X81－0XFE（即129-255），共126種。第二個字節的范圍不連續，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，第一個字節的范圍是0x81-0xFE（即129-254），第二個字節的范圍是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，C2表示第二字節。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，如果用unsigend int，因為int是4個字節的，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，ch2是第二字節。

    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

直接根據漢字的編碼范圍判斷，對于GB2312和GBK可用下面兩個程序實現。

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、對于Big5

    它的范圍為：高字節從0xA0到0xFE，低字節從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，橫坐標是低字節。這樣一行上的漢字個數：(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，它用一個字節表示。且這個字符轉換成數字之后，該數字是大于0的，而漢字是兩個字節的，第一個字節的轉化為數字之后應該是小于0的，因此可以根據每個字節轉化為數字之后是否小于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;