区位码、国标码与机内码

                     区位码、国标码与机内码

      

为了适应计算机处理汉字信息的需要，在1980年，我国国家标准总局发布《信息交换用汉字编码字符集—基本集》。1981年5月1日开始实施的这套国家标准。这套国家标准的标准号是GB2312-1980。

这套国家标所制定的编码就是我们常说的区位码。

 

该标准选出6763个常用汉字（其中，一级常用汉字3755个，二级汉字3008个）和682个非汉字字符，并为每个字符规定了标准代码，以便在不同的计算机系统之间进行汉字文本交换。

GB2312字符集构成一个94行、94列的二维表，行号称为区号，列号称为位号。每一个汉字或符号在码表中的位置用它所在的区号和位号来表示，也就是说每一个汉字或符号的区位码的区码和位码的取值均在1~94之间。

 

为了处理与存储的方便，每个汉字的区号和位号在计算机内部分别用一个字节来表示。例如，“学”字的区号为49，位号为07，它的区位码即为4907，用2个字节的二进制数表示为：

00110001 00000111

 

区位码无法用于汉字通信，因为它可能与通信使用的控制码（00H~1FH）（即0~31，也就是ASCII码中的0~31的控制字符）发生冲突。解决着这种冲突的办法：每个汉字的区号和位号必须分别加上32（即二进制数00100000）。经过这样的处理而得的代码惯上仍叫“国标”。并且在现实中，我们所说的国标码一般是指这种改变后的国标码，而将原始的国标码称为区位码。因此，“学”字的国标码（改变后的）计算为：

00110001   00000111
+00100000 +00100000
-------------------
01010001   00100111

用十六进制数表示即为5127H。

 

由于文本中通常混合使用汉字和西文字符，汉字信息如果不予以特别标识，就会与单字节的ASCII码产生冲突。电子工业部第六研究所开发CCDOS的时候，使用了一个简便的解决这种冲突的方案：使表示GB2312汉字的两个字节的最高位都为1，也就是说让国标码（改变获的）的区号和位号各加上128，从而上升到非美标码的位置。这种高位为1的双字节汉字编码即为GB2312汉字的机内码，简称为内码。在Window XP下这种内码正好是Unicode16

因此，“学”字的机内码为：

11010001 10100111

用16进制表示即为D1A7H。

 

最后要指出的是，汉字的输入编码与汉字的机内码是不同范畴的概念。不管采用什么样的编码输入法（例如拼音、五笔字型等）来输入一个汉字，其机内码都是相同的。

 

区位码、国标码与机内码的转换关系 

区位码的十六进制表示＋2020H＝国标码；

国标码＋8080H＝机内码

 

以汉字“大”为例，“大”字的区内码为2083 。将“大”的区位号2083转换为十六进制的表示形式，得1453H，则：

“大”的国标码 = 1453H ＋ 2020H ＝ 3473H

“大”的机内码 = 3473H ＋ 8080H ＝ B4F3H

 

 

其他参考

 

    “国标”是“中华人民共和国国家标准信息交换用汉字编码”的简称。国标表（基本表）把七千余汉字、以及标点符号、外文字母等，排成一个94行、94列的方阵。方阵中每一横行叫一个“区”，每个区有九十四个“位”。一个汉字在方阵中的坐标，称为该字的“区位码”。例如“中”字在方阵中处于第54区第48位，它的区位码就是5448。

    其实94这个数字。它是美标中形象码的总数。国标表沿用这个数字，本意大概是要用两个美标形象符代表一个汉字。由于美标形象符的编码是从33到126，汉字区、位码如果各加上32，就会与美标形象码的范围重合。如上例“中”字区、位码加上32后，得86,80。这两个数字的十六进制放在一起得5650，称为该字的“国标码”，而与其相对应的两个美标符号，VP，也就是“中”字的“国标符”了。

  这样就产生了一个如何区分国标符与美标符的问题。在一个中英文混用的文件里，“VP”到底代表“中”字呢，还是代表某个英文字头缩写？电子工业部第六研究所开发CCDOS的时候，使用了一个简便的解决方案：把国标码的两个数字各加上128，上升到非美标码的位置。（改变后的国标码，习惯上仍叫“国标”。）

 

       内码是指操作系统内部的字符编码。早期操作系统的内码是与语言相关的.现在的Windows在内部统一使用Unicode，然后用代码页适应各种语言,"内码"的概念就比较模糊了。我们一般将缺省代码页指定的编码说成是内码。内码这个词汇，并没有什么官方的定义。代码页也只是微软的一种习惯叫法。作为程序员，我们只要知道它们是什么东西，没有必要过多地考证这些名词。