如何区别文本是BIG5还是GB?

2000年12月04日 10:50:00

关于GB与BIG5码的判别，没有100%可靠的方法。但是从两个编码系统汉字的分布来看，还有可以作一定的判断的。 GB码的编码范围是首字节A1-F7，尾字节A1-FE，而且首字节A1-A9是符号区，AA-AF这一段没有定义。BIG5码的编码范围是首字节A1-F9，尾字节分两段，分别是40-7E及A1-FE，首字节A1-A3是符号区，A4-C5是常用汉字区。 这样我们可以找到几个依据： 1)尾字节40-7E是BIG5码特有的，可以以此来判别，但是现在GBK在这个码区也定义了字符，不过这些汉字的使用频度不高，所以仍然可以作为一条依据，但无法保证100%正确； 2)首字节A4-A9在GB中为日文假名、希腊字母、俄文字母和制表符，正常文本中很少出现，AA-AF则根本没有定义，但这个范围却是BIG5码的常用汉字，所以如果文本中频繁出现这个范围的码，也可以认为是BIG5码。尤其是首字节位于AA-AF之间，尾字节位于A1-FE的，几乎100%是BIG5码无疑，因为即使在GBK中，这个范围也是没有定义的。 为了提高识别的正确率，最好多种判据同时使用。另外还可以通过分析汉字出现的频率，或查找某些常用的词组来判别。因为做起来比较复杂，就不多说了。 首字节C6-D7，尾字节A1-FE在GB中属于一级字库，是常用汉字，而在BIG5中,C6-C7没有明确定义，但通常用来放日文假名和序号，C8-D7属于罕用汉字区。所以如果这个范围的码出现较多，可以判别为GB码。 

Trackback: http://tb.blog.csdn.net/TrackBack.aspx?PostId=3201