GB18030有兩個版本：GB18030-2000和GB18030-2005。在本文中，沒有指明版本的GB18030是指GB18030-2005。本文討論了以下問題：
1. GB2312有682個圖形符號，都放在1區。GBK的1區有717個圖形符號，5區有 166個圖形符號，一共有883個圖形符號。GB18030的1區有728個圖形符號，5區還是166個符號。那么，GBK的1區在GB2312基礎上增 加了哪35個符號？GB18030又增加了哪些符號？
2. GBK支持21003個漢字與883個圖形符號，一共21886個字符。這21886個字符究竟是哪些字符？這21886個字符的編碼在GB18030中有什么變化？
3. GB18030是怎樣映射Unicode的全部0x110000個碼位的？
4. GB18030-2000和GB18030-2005在字匯上有什么區別，在編碼上有什么區別？
5. GB18030-2005的雙字節區中有2067個碼位被映射到Unicode BMP的PUA。這些碼位有什么規律？這些碼位中定義了多少字符？其實這2067個碼位中只定義了24個字符。
6. GBK的21886個字符中有95個字符被映射到Unicode BMP的PUA。在GB18030中這95個字符的編碼有哪些變化？哪些字符保持了原來的編碼？
7. GBK的23940個碼位中有多少碼位被映射到Unicode BMP的PUA？在GB18030中這些碼位的編碼有什么變化？
在討論這些問題前，我們先約定一下碼位空間的表示方法。
0 碼位空間
0.1 約定
GBK是雙字節編碼，每個字符用兩個字節表示。GB18030是多字節字符集，它的字符可以用一個、兩個或四個字節表示。碼位空間由各字節的范圍確定。例如：GB18030的四字節字符碼位空間是：
· 第一字節在0x81~0xFE之間
· 第二字節在0x30~0x39之間
· 第三字節在0x81~0xFE之間
· 第四字節在0x30~0x39之間
為了表述方便，我們用0x81308130~0xFE39FE39表示這個碼位空間。也就是說：在本文中0x81308130~0xFE39FE39所指的并不是從0x81308130到0xFE39FE39的連續2097773834（0xFE39FE39-0x81308130+1）個字節。在本文中，0x81308130~0xFE39FE39所指的是編碼的各字節在對應范圍內的碼位空間，這個碼位空間的碼位數目是：
(0xFE-0x81+1)*(0x39-0x30+1)*(0xFE-0x81+1)*(0x39-0x30+1)=126*10*126*10=1587600
同理，0xB0A1~0xF7FE代表的碼位空間是第一字節在0xB0~0xF7之間，第二字節在0xA1~0xFE之間的所有碼位。這個碼位空間的碼位數目是：
(0xF7-0xB0+1)*(0xFE-0xA1+1)=72*94=6768
這個碼位空間就是GBK和GB18030的2區，在這6768個碼位中定義了6763個字符。
本文用~表示上述碼位空間，用-表示一般的范圍，即：
· 0xA1A1~0xA9FE 表示第一字節在0xA1到0xA9之間，第二字節在0xA1~0xFE之間的846（(0xA9-0xA1+1)*(0xFE-0xA1+1)=9*94）個碼位。
· 0xE000-0xF8FF 表示從0xE000-0xF8FF的連續6400（0xF8FF-0xE000+1）個碼位。
0.2 習題
讀者如果已經理解了上面的約定，請完成下面兩個習題：
1. 習題一：求碼位空間0x8140~0xFE7E的碼位數目。
2. 習題二：求碼位空間0x8180~0xFEFE的碼位數目。
0.3 答案
以下是習題0.2的答案：
1. 習題一：(0xFE-0x81+1)*(0x7E-0x40+1)=126*63=7938
2. 習題二：(0xFE-0x81+1)*(0xFE-0x80+1)=126*127=16002
GB18030雙字節字符的碼位空間就是0x8140~0xFE7E和0x8180~0xFEFE，雙字節字符的碼 位數目是7938+16002=23940。0x8140~0xFE7E和0x8180~0xFEFE也是GBK的全部碼位空間。GBK在這23940個 碼位中定義了21886個字符。
１ GBK回顧
1.1 簡介
GBK是雙字節編碼方案。它的碼位空間就是前面所說的0x8140~0xFE7E和0x8180~0xFEFE，一共23940個碼位。在這23940個碼位上定義了21886個字符，包括21003個漢字和883個圖形符號。《Unicode、GB2312、GBK和GB18030中的漢字》詳細討論了這21003個漢字。本文的第3節會討論GB2312、GBK和GB18030的圖形符號。
GBK的碼位空間可以劃分為以下區域：
| 類別 | 區名 | 碼位范圍 | 碼位數 | 字符數 |
| 符號區 | 1區 | 0xA1A1~0xA9FE | 846 | 717 |
| 5區 | 0xA840~0xA97E和0xA880~0xA9A0 | 192 | 166 |
| 漢字區 | 2區 | 0xB0A1~0xF7FE | 6768 | 6763 |
| 3區 | 0x8140~0xA07E和0x8180~0xA0FE | 6080 | 6080 |
| 4區 | 0xAA40~0xFE7E和0xAA80~0xFEA0 | 8160 | 8160 |
| 用戶自定義區 | 用戶區1 | 0xAAA1~0xAFFE | 564 | |
| 用戶區2 | 0xF8A1~0xFEFE | 658 | |
| 用戶區3 | 0xA140~0xA77E和0xA180~0xA7A0 | 672 | |
1.2 GBK字符與Unicode的映射
我制作了一個Excel文件：附件1。這個文件包含3張表格：
1. 按照GBK編碼排序的GBK全部21886字符碼表。這個表格有3列：字符、GBK編碼、Unicode編碼。
2. 按照Unicode編碼排序的GBK全部21886字符碼表。這個表格有3列：字符、Unicode編碼、GBK編碼。
3. 從 按Unicode編碼排序的表格中，很容易找到被映射到PUA（0xE000-0xF8FF）的字符。GBK的21886個字符中有95個字符屬于 PUA。第三張表格列出了這95個字符（A列）的GBK編碼（B列）、Unicode編碼（C列）以及這些字符在GB18030中對應的Unicode編 碼（D列）。
其中D列可能不太容易理解，我再解釋一下。GB18030是兼容GBK的，所以這些字符的GBK編碼和GB18030編碼是相同的。例如的GBK編碼和GB18030編碼都是0xA8BF。但是在GBK和GB18030中，被映射到不同的Unicode碼位。在GBK中， 0xA8BF被映射到Unicode的0xE7C8。在Unicode中，碼位0xE7C8是一個PUA碼位，保留給用戶使用。在GB18030中， 0xA8BF被映射到Unicode的0x01F9。在Unicode中，碼位0x01F9屬于“拉丁字母擴充-B”這個Block，這個碼位定義的字符 是“帶抑音符的拉丁文小寫字母 N”，字形就是。
1.3 GBK碼位與Unicode的映射
GBK的23940個碼位定義了21886個字符，還有23940-21886=2054個空閑碼位，這2054個 碼位都被映射到Unicode的PUA。在設計GBK時，GBK的21886個字符中有95個在Unicode中沒有對應字符，所以這95個字符也被映射 到Unicode的PUA。在GBK的23940個碼位中，一共有2054+95=2149個碼位被映射到PUA，對應的PUA編碼是0xE000- 0xE864。0xE000-0xE864就是2149個碼位。這2149個碼位的分配有以下規律：
| 碼位所在區域 | 碼位數量 | 映射到的PUA范圍 |
| 用戶區1：0xAAA1~0xAFFE | 564 | 0xE000-0xE233 |
| 用戶區2：0xF8A1~0xFEFE | 658 | 0xE234-0xE4C5 |
| 用戶區3：0xA140~0xA77E和A180-A7A0 | 672 | 0xE4C6-0xE765 |
| 符號區（1區和5區）的170個空閑碼位 | 170 | 0xE766-0xE80F |
| 2區的5個空閑碼位：0xD7FA-0xD7FE | 5 | 0xE810-0xE814 |
| 4區的80個Unicode當時沒有定義的字符：FE50-FE7E和FE80-FEA0 | 80 | 0xE815-0xE864 |
附件2包含兩張表格：
1. 23940個GBK碼位與Unicode的映射。兩組數據分別按GBK和Unicode排序。
2. 2149個映射到PUA的碼位，按Unicode順序排列。
2 GB18030編碼
2.1 概述
GB18030是多字節字符集，它的字符可以用一個、兩個或四個字節表示。GB18030的碼位定義如下：
| 字節數 | 碼位空間 | 碼位數 | 字符數 |
| 單字節 | 0x00~0x7F | 128 | 128 |
| 雙字節 | 0x8140~0xFE7E和0x8180~0xFEFE | 23940 | 21897 |
| 四字節 | 0x81308130~0xFE39FE39 | 1587600 | 54531 |
GB18030有128+23940+1587600=1611668個碼位。Unicode的碼位數目是0x110000（1114112），少于GB18030。所以，GB18030有足夠的空間映射Unicode的所有碼位。
GB18030的1611668個碼位目前定義了128+21897+54531=76556個字符。Unicode 5.0定義了99089個字符。
2.2 設計思路
GB18030編碼可以分為：單字節部分、雙字節部分和四字節部分。單字節部分與Unicode的0x00-0x7f完全相同。雙字節部分與GBK有兩點差異：
1. 在1區增加了11個字符。這樣1區就有717+11=728個字符。增加的11個字符是：一個歐元符號（0xA2E3）和10個豎排標點符號（0xA6D9-0xA6DF、0xA6EC-0xA6ED和0xA6F3）。
2. 原來因為Unicode沒有收錄而映射到PUA的字符中的部分字符被新版本的Unicode收錄，所以將這些字符映射到非PUA的碼位。
Unicode的BMP一共有65536個碼位。其中代理區（0xD800-0xDFFF）有2048個碼位，這 2048個碼位是不能定義字符的。GB18030的單字節部分映射了128個碼位，GB18030的雙字節部分映射了23940個碼位。還剩下65536 -2048-128-23940=39420個碼位。
GB18030將這39420個碼位順序映射到從0x81308130開始的碼位空間。GB18030將 Unicode的16個輔助平面（0x10000-0x10FFFF，一共1048576個碼位）順序映射到從0x90308130開始的碼位空間。 GB18030四字節部分中只有這兩個區域定義了字符，其它空間都是保留區和自定義區。本文的第3節和第4節還會詳細討論GB18030的雙字節和四字節部分。
GB18030的設計思路可以概括到以下幾點：
1. 單字節部分與Unicode一致。
2. 雙字節部分與GBK兼容。適當調整一些字符與Unicode的映射。這些字符原來因為Unicode沒有收錄而被映射到PUA，現在因為Unicode已經收錄而調整到非PUA的Unicode碼位。
3. 將Unicode BMP部分還沒有映射的39420個碼位順序映射到從0x81308130開始的四字節部分。
4. 將Unicode BMP以外的16個輔助平面映射到39420個碼位順序映射到從0x90308130開始的四字節部分。
在GB18030目前定義的76556個字符中，只有24個字符被定義到Unicode的PUA區。這24個字符包 括1區的10個豎排標點符號（0xA6D9-0xA6DF、0xA6EC-0xA6ED和0xA6F3）和4區的14個漢字（0xFE51、 0xFE52、0xFE53、0xFE59、0xFE61、0xFE66、0xFE67、0xFE6C、0xFE6D、0xFE76、0xFE7E、 0xFE90、0xFE91、0xFEA0）。4區的14個漢字在Unicode 5.0中其實也可以找到非PUA的編碼，詳見《Unicode、GB2312、GBK和GB18030中的漢字》。但按照GB18030，它們還是應該映射到PUA碼位。
2.3 GB18030-2000和GB18030-2005的區別及以后版本
GB18030-2005與GB18030-2000的編碼體系結構是完全相同的。GB18030-2005相對于GB18030-2000主要有以下變化:
1. 在四字節字符表中增加CJK統一漢字擴充B和已經在GB13000中編碼的我國少數民族文字字符的字形。其實GB18030-2000已經映射了這些碼位，但GB18030-2000沒有給出這些字符的字形。
2. 調整字符的編碼。
其中的編碼調整比較有意思。的GB18030編碼是0xA8BC，在Unicode 5.0的編碼是0x1E3F。在GB18030-2000中0xA8BC被映射到Unicode的0xE7C7，因為雙字節部分沒有映射0x1E3F，所 以它作為BMP的未映射字符被放到四字節部分的0x8135F437。GB18030-2005將0xA8BC映射到0x1E3F，那么Unicode碼 位0xE7C7怎么辦呢？為了最小化對原來編碼的影響，設計者將Unicode碼位0xE7C7映射到本來映射0x1E3F的0x8135F437。
GB18030已經映射了Unicode的所有碼位，所以不管Unicode怎么變化，GB18030不過就是在現在的碼位上增加一些字形而已，編碼不會變化。只有現在還映射到PUA的24個字符以后可能會調整到非PUA碼位。調整方法應該與的調整方法相同。
2.4 GB18030雙字節部分
前面已經介紹過GB18030雙字節部分與GBK的區別，本小節再提一些細節。前面也說過，GB18030映射了 Unicode除代理區外的所有碼位。所以，Unicode BMP的6400個PUA碼位在GB18030中都有對應的碼位。GB18030雙字節部分映射了2067個PUA碼位。
前面說過，GBK映射了2149個PUA碼位。現在GB18030雙字節部分映射了2067個PUA碼位。所以有 2149-2067=82個字符的映射發生了變化。GBK原來有95個字符映射到PUA，其中81個字符在GB18030中被映射到非PUA碼位。余下的 14個漢字就是《Unicode、GB2312、GBK和GB18030中的漢字》提到的那14個漢字（0xFE51、0xFE52、0xFE53、0xFE59、0xFE61、0xFE66、0xFE67、0xFE6C、0xFE6D、0xFE76、0xFE7E、0xFE90、0xFE91、0xFEA0）。附件1列出了這些字符的編碼變化。82個映射變化的碼位，除了這81個外，還有一個就是歐元符號：GB18030編碼是0xA2E3，Unicode編碼是0x20AC。碼位0xA2E3在GBK中被映射到0xE76C，GBK的碼位0xA2E3沒有定義字符。
GB18030雙字節部分與Unicode的映射沒有規律，只能通過查表方法映射。
2.5 GB18030四字節部分
GB18030四字節部分的字符可以見GB18030-2005的“表3 四字節部分的碼位安排”，一共54531個字符。GB18030四字節部分的碼位可以見GB18030-2005的“7.3 四字節部分字符的排列順序”。其中定義字符的只有兩個區域：
· GB18030用碼位0x81308130~0x8439FE39共50400個碼位映射該標準單字節和雙字節部分沒有映射過的39420個Unicode BMP碼位。
· GB18030用碼位0x90308130~0xE339FE39共1058400個碼位映射Unicode 16個輔助平面（平面1到平面16）的65536*16=1048576個碼位。
為了敘述方便，本文將0x81308130~0x8439FE39稱作“BMP擴展部分”，將 0x90308130~0xE339FE39稱作“輔助平面部分”。GB18030四字節部分的碼位空間是0x81308130~0xFE39FE39。 第二字節有(0x39-0x30+1)=10個可能值。第三字節有(0xFE-0x81+1)=126個可能值。第四字節也是(0x39-0x30+1) =10個可能值。為了方便下面的演算，本文為這個碼位空間定義幾個名詞：
· 我們將四字節碼位空間中第一字節相同的區域稱作一級區。每個一級區有12600個碼位，即：10*126*10。
· 我們將四字節碼位空間中第一字節和第二字節相同的區域稱作二級區。每個二級區有1260個碼位，即：126*10。
· 我們將四字節碼位空間中前三個字節相同的區域稱作三級區，每個三級區有10個碼位。
四字節部分一共有(0xFE-0x81+1)=126個一級區。BMP擴展部分有4個一級區。輔助平面部分有84個一級區。還有38個一級區是保留區或自定義區。
2.5.1 BMP擴展部分
BMP擴展部分占據四字節部分開頭的4個一級區，一共有4*12600=50400個碼位。這段空間的 Unicode映射說起來還是很簡單的，就是順序映射單字節、雙字節沒有映射過的BMP碼位。這些映射關系在GB18030-2000中確定下來。以后的 調整（例如）只是個別字符，不會影響其它字符的位置。但是因為雙字節字符已經映射過的BMP碼位沒有什么規律，所以造成BMP擴展部分的Unicode 映射也不能用公式換算，還是要查表解決。
顯然這50400個碼位中只用到了39420個碼位，其余碼位都是保留的。出于好玩，我們來計算一下最后一個非保留碼位（0xFFFF）的位置，計算過程如下：
· m1=(39420-1)/12600=3
· n1=(39420-1)%12600=1619
· m2=n1/1260=1619/1260=1
· n2=n1%1260=1619%1260=359
· m3=n2/10=359/10=35
· n3=n2%10=359%10=9
· 第一字節的位置是：0x81+m1=0x81+3=0x84
· 第二字節的位置是：0x30+m2=0x30+1=0x31
· 第三字節的位置是：0x81+m3=0x81+35=0xA4
· 第四字節的位置是：0x30+n3=0x30+9=0x39
所以Unicode編碼0xFFFF映射的GB18030碼位是0x8431A439。在BMP擴展部分中，0x8431A439以后的碼位都是保留碼位。上述計算中，/表示整除（例如5/3=1），%表示取余（例如5%3=2）。
2.5.2 輔助平面部分
輔助平面部分用84個一級區（0x90308130~0xE339FE39）直接映射Unicode的16個輔助平面。這部分映射是可以直接用公式計算的。讓我們看看怎么計算。
· 從Unicode編碼到GB18030編碼的映射方法如下：
· U=Unicode編碼-0x10000
· m1=U/12600
· n1=U%12600
· m2=n1/1260
· n2=n1%1260
· m3=n2/10
· n3=n2%10
· 第一字節b1=m1+0x90
· 第二字節b2=m2+0x30
· 第三字節b3=m3+0x81
· 第四字節b4=n3+0x30
按 照上述方法可以計算出0x10FFFF被映射到0xE3329A35。在輔助平面部分，0xE3329A35以后的碼位都是保留碼位。以上所寫的算法可以很容易寫成C/C++代碼。對于不會編程的讀者，也可以用Excel公式計算。假設Unicode編碼放在單元格A12，計算方法如下：
· 將m1放在B12，B12=INT((HEX2DEC(A12)-65536)/12600)
· 將n1放在C12，C12=MOD((HEX2DEC(A12)-65536),12600)
· 將m2放在D12，D12=INT(C12/1260)
· 將n2放在E12，E12=MOD(C12,1260)
· 將m3放在F12，F12=INT(E12/10)
· 將n3放在G12，G12=MOD(E12,10)
· 將第一字節放在H12，H12=DEC2HEX(B12+144)
· 將第二字節放在I12，I12=DEC2HEX(D12+48)
· 將第三字節放在J12，J12=DEC2HEX(F12+129)
· 將第四字節放在K12，K12=DEC2HEX(G12+48)
附件3中有寫好上述公式的Excel表格。使用函數HEX2DEC/DEC2HEX需要通過“工具->加載宏”鉤上“分析工具庫”。
· 從GB18030編碼到Unicode編碼的映射方法如下：
· 設GB18030編碼的四個字節依次為：b1、b2、b3、b4，則
Unicode編碼=0x10000+(b1-0x90)*12600+(b2-0x30)*1260+(b3-0x81)*10+b4-0x30
假設b1、b2、b3、b4分別放在A4、B4、C4、D4，Unicode編碼放在E4，則Excel計算公式為：
· E4 = =DEC2HEX((HEX2DEC(A4)-144)*12600+(HEX2DEC(B4)-48)*1260+(HEX2DEC(C4)-129)*10+(HEX2DEC(D4)-48)+65536)
2.6 GB18030和Unicode的映射表
附件3給出了GB18030和Unicode的映射表。這個Excel文件是在網友謝振斌先生的映射表基礎上制作的，包含3張表格：
1. 雙字節部分23940個碼位與Unicode的映射。兩組數據分別按GB18030和Unicode排序。
2. BMP擴展部分39420個碼位與Unicode的映射。兩組數據分別按GB18030和Unicode排序。
3. 輔助平面部分，GB18030編碼和Unicode編碼的映射公式。
3 GB2312、GBK和GB18030中的圖形符號
在研究GB18030編碼的過程中，我整理了GB2312、GBK和GB18030在1區和5區的圖形符號，制作了附件4。這個Excel文件包含3張表格：
1. GB2312的1區字符表。GBK和GB18030的1區、5區字符表。用不同顏色標注了GBK增加的35個字符和GB18030增加的11個字符。
2. GB2312 1區682個符號的編碼。
3. GBK 1區717個符號的編碼。
結束語
通過本文的介紹，讀者可以回答開頭的問題了嗎？
無論是Windows XP還是Vista，中文（中國）區域對應的默認代碼頁還是GBK。我們只能設置區域，并不能設置區域對應的默認代碼頁。所以在Windows世界，只要微軟不愿意，GB18030就只是一張普通的代碼頁。目前的簡體中文文檔使用的編碼主要是Unicode和GBK，應該沒有什么文檔會用GB18030保 存。本文只是出于程序員的好奇而對GB18030編碼所作的一些研究，希望能對同樣好奇的讀者有所助益。