中文編碼方案中最有名的就是GB2312，它是中國國家標準總局于1980年發布，并于1981年5月1日實施的。除中國外，新加坡等地也采用此編碼。可以說GB2312是中文編碼的基石，后續基本都是對它的補充和升級。它共收入了6763個漢字，包括一級漢字3755個(最常用的)，二級漢字3008個(比較常用的)。同時收入了拉丁字母、希臘字母、日本片假名、注音符號、西里爾字母等總計682個字符。之前介紹的泰國字符集和歐美字符集都是使用16×16的表格，GB2312也是類似的，但是因為它的字符數量非常多(和歐美等相比)，所以它使用的是一個94×94的表格。GB2312編碼的每一個字符都在這個表格里，為了方便，這個表格的行號我們稱為區碼(從1開始)，列號我們稱為位碼(從1開始)。這實際上就是每行是一個區。連續的幾個區因為保存的字符的關聯性，我們又把把所有區分為了幾個區段:
- 01～09區：用于存放拉丁字母、希臘字母、日本片假名、注音符號、西里爾字母等總計682個字符。注意，原則上一個有846(94×9)個位置，但只使用了682個。
- 10～15區：空區，預留，為后續擴展。但實際上，10區和11區已經使用了(這個內容可以參考附錄部分)。
- 16～55區：最常用的、一級漢字，共3755個，按拼音排序(新華字典就是這種排序方式)。
- 56～87區：比較常用的，二級漢字，共3008個，按部首/筆畫排序(康熙字典就是這種排序方式)。
- 88～94區：空區，預留。目前還沒有啟用，估計后續也不會啟用了。
下圖(圖1)為編碼的局部示意圖(完整的太大了，就不展示了，有需要的可以參考附錄部分):上圖中，第17行，第6列的字——寶，編碼就應該是：區碼為17(十六進制為11)，位碼為6(十六進制為06)，所以，“寶”這個字的編碼(十六進制)就是11 06。PS: 序列化的含義是，存儲化，就是轉換為一個連續的內存的過程，文字保存(到磁盤等)和網絡傳輸，使用的都是序列化后的數據。最簡單的一個轉碼方案稱為國標碼，也叫交換碼。轉換方法是區碼和位碼分別加上32，也就是十六進制的20，這樣，“寶”這個字的交換碼(十六進制)就是13 08。當然，現在最常用的是機內碼，也叫內碼。轉換方法是區碼和位碼分別加上160(相對于GB2312)，也就是十六進制的A0，這樣，“寶”這個字的內碼(十六進制)就是B1 A6。在現代計算機中，基本使用的都是內碼。如果，把一個文件編碼為GB2312后，如果內容只有一個字——寶，那么，你用二進制工具打開后，看到的通常都是 B1 A6。內碼的本質，要說這個問題，要先說交換碼的目的。本文后續部分，說的都是十六進制的數。交換碼是為了避開ASCII字符中的不可顯示字符(00到1F)和空格(20)。這樣，區碼和位碼都加20，(區碼和位碼)就避開了它們。這樣，區碼和位碼的有效區間就都是[21, 7E]。注意，有趣的點來了，這個使用7位就可以保存了，而計算機的一字節有8位，那么，把交換碼的第8位設置為1，就能和ASCII完美避開了。原來第8位為0，變成1的本質就是加上80。這樣，加上20，然后再加上80，這不就是加上A0。目前，看到的GB2312編碼實際上都是GB2312編碼的內碼。總結一下：原始的GB2312編碼中，區碼和位碼的有效區間就都是[01, 5E]。GB2312交換碼中，區碼和位碼的有效區間就都是[21, 7E]。原始的GB2312內碼中，區碼和位碼的有效區間就都是[A1, FE]。在實際的使用中，GB2312通常是使用內碼，例如：“寶” 這個字的GB2312編碼(十六進制)就是 B1 A6，而不會稱GB2312內碼，或者真的轉為GB2312編碼的 11 06。真正的GB2312(內碼)也已經很難看到了，更常見的是GBK(哪怕是GB2312，也可能標識為GBK)。下次，我們就一起看一下GBK編碼。
閱讀原文：原文鏈接
該文章在 2025/4/18 11:49:56 編輯過
400 186 1886
