汉字编码实验

最新推荐文章于 2024-06-19 16:42:49 发布

无限酸奶

最新推荐文章于 2024-06-19 16:42:49 发布

阅读量1.6k

点赞数 30

分类专栏：计算机组成原理文章标签：计算机组成原理

本文链接：https://blog.csdn.net/ntr851217/article/details/137845857

版权

计算机组成原理专栏收录该内容

4 篇文章 0 订阅

订阅专栏

Logisim的简介和安装

首先要知道什么是logisim?

Logisim是一种用于数字电路设计和模拟的开源工具，Logisim在2014年10月11日无限期暂停。因它足够简单，可以帮助学习逻辑电路相关的基本概念而闻名。Logisim被世界各地大学的学生在课程中使用。

Logisim的特性

开源免费
绘画界面直观简洁
可以在任何支持Java 5或更高版本的机器上运行，同时针对MacOS X和Windows发布了特殊版本

由于Logisim现在已经停止更新了，我这里提供两种安装方式
官方网站：http://www.cburch.com/logisim/

汉字的编码

首先我们应该了解汉字是如何编码的？我们为什么要将汉字进行编码？

我们知道，汉字的特点是数量庞大、字形复杂，并且存在大量一音多字和一字多音的现象。由于汉字编码的诸多问题，导致汉字很难进入计算机。为了解决这个汉字输入输出的问题，于是就衍生出了汉字编码的概念。

汉字编码的分类

计算机中汉字的表示也是用二进制编码，同样是人为编码的。根据应用目的的不同，汉字编码分为外码、交换码、机内码和字形码。

我这里仅简单介绍，交换码（国标码）和机内码，想要了解更多的可以自行百度

交换码（国标码）

计算机内部处理的信息，都是用二进制代码表示的，汉字也不例外。而二进制代码使用起来是不方便的，于是需要采用信息交换码。中国标准总局1981年制定了中华人民共和国国家标准 GB2312–80《信息交换用汉字编码字符集–基本集》，即国标码。

而区位码是国标码的另一种表现形式，把国标GB2312–80中的汉字、图形符号组成一个94×94的方阵，分为94个“区”，每区包含94个“位”，其中“区”的序号由01至94，“位”的序号也是从01至94。94个区中位置总数=94×94=8836个，其中7445个汉字和图形字符中的每一个占一个位置后，还剩下1391个空位，这1391个位置空下来保留备用。

机内码

根据国标码的规定，每一个汉字都有了确定的二进制代码，在微机内部汉字代码都用机内码，在磁盘上记录汉字代码也使用机内码。

汉字编码的字符集

我们要知道什么是汉字编码的字符集？

汉字编码的字符集是一套系统或规范，用于将汉字和其他字符以数字的形式进行编码，使得计算机系统能够存储、处理和显示这些字符。由于汉字的数量庞大且具有复杂的结构，不同的字符集有不同的设计和目标，来满足各种技术和语言需求

GB2312

定义：GB2312是中国国家标准的简化汉字字符集，首次发布于1980年。
内容：包含了6763个汉字和682个其它符号，涵盖了中国大陆使用的大部分简体汉字。
用途：这是最早的汉字编码标准之一，广泛用于早期的电脑和网络系统中。

GBK

定义：GBK是对GB2312的扩展，首次发布于1995年。
内容：包含了所有GB2312字符，并新增了近20000个汉字和符号，支持繁体汉字和少数民族文字。
用途：GBK编码兼容GB2312，大幅扩展了汉字的覆盖范围，适用于需要处理多种汉字形式的应用。

GB18030

定义：GB18030是一种更为全面的汉字编码系统，发布于2000年，并在2005年进行了更新。
内容：它是一个多字节字符集，不仅包括GBK、GB2312的所有字符，还加入了更多的少数民族字符以及所有Unicode的字符。
用途：GB18030是中国的国家标准，所有在中国销售的软件和操作系统都必须支持此编码，确保字符编码的国际兼容性和全面性。

Big5

定义：Big5是台湾地区使用的繁体汉字字符集，首次发布于1984年。
内容：主要包括繁体汉字，广泛应用于台湾及香港等地区。
用途：虽然主要用于繁体字环境，但在一些历史应用和地区性软件中仍然非常重要。

Unicode

定义：Unicode是一个国际标准，旨在为全世界所有的书写系统提供唯一的编码。
内容：包括从世界上每一种已知的字符和文字系统的字符，其中包括所有类型的汉字。
用途：Unicode是目前最广泛使用的编码系统，它使得跨语言、跨平台的数据处理和交换变得可能，是现代软件和网络环境的核心组成部分。

汉字编码的转换原理

转换关系：设转换为16进制的区位码为区位码I

区位码I = 区位码的区码（前两位）和位码（后两位）分别转十六进制按原顺序组合起来
国标码 = 区位码I + 2020H
机内码 = 国标码 + 8080H
机内码 = 区位码I + A0A0H

转换示例：
假设我们有一个区位码为"0101"，我们可以按照以下步骤进行转换：

区位码"0101"转换为区位码I（十六进制不变）是"0101"
区位码I"0101"加上2020H得到国标码为"2121"
机内码可以有两种计算方式：
1. 从国标码"2121"加上8080H得到机内码"A1A1"
2. 直接将区位码I"0101"加上A0A0也得到机内码"A1A1"

转换样例：
例如，我们已知华的机内码是BBAA（GB2312）,根据上面的结论可以知道华的区位码I就是BBAA-A0A0=1B0AH

根据GB2312编码的特点，把2个字节的最高位都设置为1，（5F60改为D），使得计算结果的两个字节，最高位也是1

如果我们在一个两字节（16位）的编码中操作，其中每个字节包含8位，那么：

第一个字节（位号字节）：XXXX XXXX
第二个字节（区号字节）：XXXX XXXX

在一个16位的表示中，这就成为：XXXX XXXX XXXX XXXX
这里，位号可以取自最右边的7位（0到6）。
区号可以取自接下来的7位（8到14），因为从0开始计数的话，第一个字节是0到7位，第二个字节是8到15位。

程序设计

对应的c++程序设计

#include <iostream>
#include <string>
#include <vector>
#include <iomanip>
#include <locale>
#include <codecvt>

std::string convertStr(const std::string& msg) {
    // C++11之后可以使用codecvt_utf8库来进行编码转换
    std::wstring_convert<std::codecvt_utf8<wchar_t>, wchar_t> cv;
    std::wstring wide_string = cv.from_bytes(msg);

    // 使用vector来存储每个字符的GB2312编码
    std::vector<int> gb2312_bytes;

    for (wchar_t wc : wide_string) {
        // 如果是ASCII字符，直接加入
        if (wc < 128) {
            gb2312_bytes.push_back(wc);
        } else {
            // 非ASCII字符，转为GB2312
            // 这里需要一个GB2312编码器，C++标准库中没有直接支持，可能需要第三方库或平台特定的API
            // 这是一个示意，实际上可能需要更复杂的操作
            int converted = /* 转换wc到GB2312 */;
            gb2312_bytes.push_back(converted);
        }
    }

    std::ostringstream gbString;
    int i = 0;
    for (int b : gb2312_bytes) {
        // 将每个字节转换为16进制
        gbString << std::uppercase << std::setfill('0') << std::setw(2) << std::hex << (b & 0xFF) << "\t";
        i++;
        if (i == 6) {
            i = 0;
            gbString << "\n";
        }
    }

    return gbString.str();
}

int main() {
    std::string msg = "华您好。我是测试001";
    // 使用cout来输出信息
    std::cout << "请在下一行，输入一个字符串：" << std::endl;

    std::string input;
    std::cin >> input;

    std::string converted_msg = convertStr(input);
    std::cout << converted_msg << std::endl;

    return 0;
}

Java代码

package Test;

import java.io.UnsupportedEncodingException;
import java.util.Scanner;

public class Test03 {

	public static void main(String[] args) throws UnsupportedEncodingException {
		// TODO Auto-generated method stub
		String msg = "华您好。我是测试001";
		//msg = "。";  //中文名号，两个字节。
		
		System.out.println("请在下一行，输入一个字符串：");
		Scanner reader=new Scanner(System.in);
		msg = reader.next();
		msg = convertStr(msg);
		System.out.println(msg);
	}
	
	public static String convertStr(String msg) throws UnsupportedEncodingException {
	    //先把字符串按gb2312转成byte数组
	    byte[] bytes = msg.getBytes("gb2312");
	    StringBuilder gbString = new StringBuilder();
	    
	    int i=0;
	    for (byte b : bytes)
	    {
	        // 再用Integer中的方法，把每个byte转换成16进制输出
	        String temp = Integer.toHexString(b);
	        //判断进行截取
	        if(temp.length()>=8){
	            temp = temp.substring(6, 8);  //取第7个和第8个
	        }
	        gbString.append("%" + temp + "\t");
	        i++;
	        if(i==6) {    
	        	i=0;    
	        	gbString.append("\n");    
	        }
	    }
	   return gbString.toString();
	}

}