如何获取常用汉字(GB2312)

听说常用汉字有3000多个，怎么获取呢？其实常用汉字已经有人替我们整理好了，就是字符集GB2312，是我国1980年发布的，共有6763个汉字，分为一级汉字和二级汉字，一级汉字采用拼音排序，二级汉字采用部首排序，一级汉字就是这里说的常用汉字。所以我们只要用一个合适的工具去获取它就行了。这里我们用Python。

废活少说，直接上代码：

import json # 导入json库用于把列表保存成.json格式

characters = [] # 创建一个列表用于保存汉字字符
for i in range(176, 216):
    s = bytes([i])
    for x in range(161, 255):
        s += bytes([x])
        try:
            c = s.decode("gb2312")
        except:
            break
        characters.append(c)
        print(c, end="\t") # 打印结果
        s = bytes([i])

print(len(characters)) # 打印结果数量

filename = "common_chinese_characters.json"
with open(filename, "w", encoding="utf-8") as f:
    json.dump(characters, f, ensure_ascii=False)

说明：bytes.decode(编码类型)用于解码，把字节类型转换为字符类型，编码类型为指定的字符集；str.encode(编码类型)用于编码，把字符类型转换为字节类型，编码类型为指定的字符集。二者互为反向操作。
举个例子：

>>> c = 'Python大法好'.encode('utf-8') # utf-8也是一种字符集，几乎支持世界上的所有语言。
>>> s = c.decode('gb2312') # 这样会出问题，要么出错要么乱码。因为utf-8和gb2312的定义不同。
>>> s = c.decode('utf-8') # 这样就没问题了。
>>> print(s) # 可以看到输出结果是 "Python大法好"，和之前定义的一样。

这里有必要讲一下GB2312的定义：GB2312定义的字符由两位字节构成，高位字节和低位字节。一级汉字的编码范围是0xb0a1~0xd7f9(16进制)或者45217~55289(10进制)。可以百度自己研究，此处不多说。

代码原理很简单，就是利用for循环去遍历GB2312字符集定义的一级汉字。其中第一个for循环用于遍历高位字节，第二个嵌套在第一个for循环里的for循环用于遍历低位字节。变量s用于存储字符类型的汉字编码成字节类型，变量c即为转换成字符类型的汉字。try...except...结构用于防止最后几位汉字出错，因为最后一个汉字的字节类型表示是b'\xd7\xf9'，所以会出错，而一旦出错就意味着已经结束了。

bytes([i])的[i]并不是表示列表索引。整个语句的意思是把整数类型变量i替换成字节类型的十六进制形式并保存到变量s。可以自己在交互环境中试一试。

open()中的encoding用于指定保存的编码，ensure_ascii=False是必须的，用于指定要保存成字符类型，因为中文不在ascii编码中，如果没有这句话，输出的json文件看起来会是这样：
["\u554a", "\u963f", "\u57c3", "\u6328", "\u54ce",…