【字符编码系列二】GB2312编码

说明

        GB2312是第一个汉字编码国家标准

        GB 2312 标准由中国国家标准总局 1980 年发布，GB 即国标，共收录 6763 个汉字，其中一级汉字 3755 个，二级汉字 3008 个。

• GB 2312 的出现，基本满足了汉字的计算机处理需要，它所收录的汉字已经覆盖中国大陆 99.75% 的使用频率。
• 对于人名、古汉语等方面出现的罕用字，GB 2312 不能处理，这导致了后来 GBK 及 GB 18030 汉字字符集的出现。

        GB2312编码表有个值得注意的点，这个表中也有一些数字和字母，与ASCII里面的字母非常像。例如A3B2对应的是数字2（如下图），但是ASCII里面50（十进制）对应的也是数字2。他们的区别就是输入法中所说的“半角”和“全角”。全角的数字2占两个字节。

GB 2312 兼容 ASCII 码（0 - 127），之后对任意一个图形字符都采用两个字节表示，高位字节和低位字节都大于 127。

                GB 2312 字符集分成 94 个区，每区有 94 个位，分别对应第一字节和第二字节，这种表示方式也称为区位码。

• 01-09 区为特殊符号
• 10-15 区为用户自定义符号区（未编码）
• 16-55 区为一级汉字，按拼音排序，共 3755 个
• 56-87 区为二级汉字，按部首/笔画排序，共 3008 个
• 88-94 区为用户自定义汉字区（未编码）

        用16进制来表示的话，GB2312的编码范围是0xA1A1-0xFEFE，去掉未定义的区域之后可以理解为实际编码范围是0xA1A1-0xFEFE。其中第一个字节即前两个字符代表区，第二个字节代表位。

        当我们查询0xB0A1时，需要在B0区，查找A1位.

        0xB0-0xA1=0x0E=15

        由于是从B0开始为第一个区，所以15+1=16区。

        0xA1-0xA0=0x01=1

        由于是从A0开始为第一位，所以1+1=2位.

        即第16区的第2个字符。

        查表 GB2312 编码表 - 在线工具

        即在GB2312中，0xB0A1代表汉字'啊'。以后噫吁嚱的时候可以喊"0xb0a1（啊）0x21(半角字符!)"。

        A1区开始A2/A3/一直到FE区一共94个区。

        每个区从A1到FE共94位

示例

C++示例：通过赋值16进制编码，显示汉字'你'

#include <iostream>

int main()
{
    char gb2312[3]="";
    gb2312[0] = 0xc4;
    gb2312[1] = 0xe3;
    std::cout << gb2312 <<std::endl;
    system("pause");
}

示例二：显示'你好'

#include <iostream>

int main()
{
    char gb2312[5]="";
    gb2312[0] = 0xc4;
    gb2312[1] = 0xe3;
    gb2312[2] = 0xBA;
    gb2312[3] = 0xC3;
    std::cout << gb2312 <<std::endl;
    system("pause");
}

        现在，我们将0xd76f赋值进去，可以看到一个比较生僻的字'護'显示了出来

        实际上，这个字并不存在于gb2312中，我们回顾一下gb2312的编码范围:GB2312的编码范围是0xA1A1-0xFEFE。可以发现，0xd76f不属于gb2312的编码范围，第二个字字节6f是小于编码范围中第二个字节的A1的，转换成二进制就是

        01101111(0x6f)

和

        10100001(0xa1)~11111110(0xfe)

        可以明显看出，01101111是不在这个范围中的。

        但是我们运行程序，这个'護'不还是正常显示了吗？这是为什么呢？

        这是因为windows下，控制台的中文系统代码页默认是GBK，而GBK中是包含这个字的，所以这个字是可以正常显示在控制台中的。

        在C++中，使用WindowsAP函数SetConsoleOutputCP可以设置控制台的代码页。通过SetConsoleOutputCP(20936);将默认的GBK修改为GB2312（GB2312-80）

gb2312-80编码显示字符：

#include <iostream>
#include <Windows.h>

int main()
{
	SetConsoleOutputCP(20936);
	char gb2312[5] = "";
	gb2312[0] = 0xd7;
	gb2312[1] = 0x6f;
	gb2312[2] = 0xBA;
	gb2312[3] = 0xC3;
	std::cout << gb2312 << std::endl;
	system("pause");
}

        可以看到，本来可以正常显示的汉字'護'在控制台中显示成了？，后面属于gb2312的汉字'好'还可以正常显示出来。关于这个现象和代码页的更多内容，请期待后续章节中的“编码列表是什么？如何修改windows控制台的代码页编码？”

下一篇 GBK编码