常用字符集编码详解

常用字符集编码详解

ASCII
　　ASCII码是7位编码，编码范围是0x00-0x7F。ASCII字符集包括英文字母、阿拉伯数字和标点符号等字符。其中0x00-0x20和0x7F共33个控制字符。
　　只支持ASCII码的系统会忽略每个字节的最高位，只认为低7位是有效位。HZ字符编码就是早期为了在只支持7位ASCII系统中传输中文而设计的编码。早期很多邮件系统也只支持ASCII编码，为了传输中文邮件必须使用BASE64或者其他编码方式。

　　GB2312
　　GB2312是基于区位码设计的，区位码把编码表分为94个区，每个区对应94个位，每个字符的区号和位号组合起来就是该汉字的区位码。区位码一般 用10进制数来表示，如1601就表示16区1位，对应的字符是“啊”。在区位码的区号和位号上分别加上0xA0就得到了GB2312编码。
　　区位码中01-09区是符号、数字区，16-87区是汉字区，10-15和88-94是未定义的空白区。它将收录的汉字分成两级：第一级是常用汉字计 3755个，置于16-55区，按汉语拼音字母/笔形顺序排列；第二级汉字是次常用汉字计3008个，置于56-87区，按部首/笔画顺序排列。一级汉字 是按照拼音排序的，这个就可以得到某个拼音在一级汉字区位中的范围，很多根据汉字可以得到拼音的程序就是根据这个原理编写的。
　　GB2312字符集中除常用简体汉字字符外还包括希腊字母、日文平假名及片假名字母、俄语西里尔字母等字符，未收录繁体中文汉字和一些生僻字。可以用繁体汉字测试某些系统是不是只支持GB2312编码。
　　GB2312的编码范围是0xA1A1-0x7E7E，去掉未定义的区域之后可以理解为实际编码范围是0xA1A1-0xF7FE。
　　EUC-CN可以理解为GB2312的别名，和GB2312完全相同。
　　区位码更应该认为是字符集的定义，定义了所收录的字符和字符位置，而GB2312及EUC-CN是实际计算机环境中支持这种字符集的编码。HZ和 ISO-2022-CN是对应区位码字符集的另外两种编码，都是用7位编码空间来支持汉字。区位码和GB2312编码的关系有点像 Unicode和UTF-8。

　　GBK
　　GBK编码是GB2312编码的超集，向下完全兼容GB2312，同时GBK收录了Unicode基本多文种平面中的所有CJK汉字。同 GB2312一样，GBK也支持希腊字母、日文假名字母、俄语字母等字符，但不支持韩语中的表音字符（非汉字字符）。GBK还收录了GB2312不包含的 汉字部首符号、竖排标点符号等字符。
　　GBK的整体编码范围是为0x8140-0xFEFE，不包括低字节是0×7F的组合。高字节范围是0×81-0xFE，低字节范围是0x40-7E和0x80-0xFE。
　　低字节是0x40-0x7E的GBK字符有一定特殊性，因为这些字符占用了ASCII码的位置，这样会给一些系统带来麻烦。
　　有些系统中用0x40-0x7E中的字符（如“|”）做特殊符号，在定位这些符号时又没有判断这些符号是不是属于某个 GBK字符的低字节，这样就会造成错误判断。在支持GB2312的环境下就不存在这个问题。需要注意的是支持GBK的环境中小于0x80的某个字节未必就 是ASCII符号；另外就是最好选用小于0×40的ASCII符号做一些特殊符号，这样就可以快速定位，且不用担心是某个汉字的另一半。Big5编码中也 存在相应问题。
　　CP936和GBK的有些许差别，绝大多数情况下可以把CP936当作GBK的别名。

　　GB18030
　　GB18030编码向下兼容GBK和GB2312，兼容的含义是不仅字符兼容，而且相同字符的编码也相同。GB18030收录了所有Unicode3.1中的字符，包括中国少数民族字符，GBK不支持的韩文字符等等，也可以说是世界大多民族的文字符号都被收录在内。
　　GBK和GB2312都是双字节等宽编码，如果算上和ASCII兼容所支持的单字节，也可以理解为是单字节和双字节混合的变长编码。GB18030编码是变长编码，有单字节、双字节和四字节三种方式。
　　GB18030的单字节编码范围是0x00-0x7F，完全等同与ASCII；双字节编码的范围和GBK相同，高字节是0x81-0xFE，低字节的 编码范围是0x40-0x7E和0x80-FE；四字节编码中第一、三字节的编码范围是0x81-0xFE，二、四字节是0x30-0x39。
　　Windows中CP936代码页使用0x80来表示欧元符号，而在GB18030编码中没有使用0x80编码位，用其他位置来表示欧元符号。这可以 理解为是GB18030向下兼容性上的一点小问题；也可以理解为0x80是CP936对GBK的扩展，而GB18030只是和GBK兼容良好。

　　unicode
　　每一种语言的不同的编码页，增加了那些需要支持不同语言的软件的复杂度。因而人们制定了一个世界标准，叫做unicode。unicode为每个字符 提供了唯一的特定数值，不论在什么平台上、不论在什么软件中，也不论什么语言。也就是说，它世界上使用的所有字符都列出来，并给每一个字符一个唯一特定数 值。
　　Unicode的最初目标，是用1个16位的编码来为超过65000字符提供映射。但这还不够，它不能覆盖全部历史上的文字，也不能解决传输的问题 (implantation head-ache's)，尤其在那些基于网络的应用中。已有的软件必须做大量的工作来程序16位的数据。
　　因此，Unicode用一些基本的保留字符制定了三套编码方式。它们分别是UTF-8,UTF-16和UTF-32。正如名字所示，在UTF－8中， 字符是以8位序列来编码的，用一个或几个字节来表示一个字符。这种方式的最大好处，是UTF－8保留了ASCII字符的编码做为它的一部分，例如，在 UTF－8和ASCII中，“A”的编码都是0x41.
　　UTF－16和UTF－32分别是Unicode的16位和32位编码方式。考虑到最初的目的，通常说的Unicode就是指UTF-16。在讨论Unicode时，搞清楚哪种编码方式非常重要。

　　UTF-8
　　Unicode Transformation Format-8bit，允许含BOM，但通常不含BOM。是用以解决国际上字符的一种多字节编码，它对英文使用8位（即一个字节），中文使用24为（三 个字节）来编码。UTF-8包含全世界所有国家需要用到的字符，是国际编码，通用性强。UTF-8编码的文字可以在各国支持UTF8字符集的浏览器上显 示。如，如果是UTF8编码，则在外国人的英文IE上也能显示中文，他们无需下载IE的中文语言支持包。
　　GBK的文字编码是用双字节来表示的，即不论中、英文字符均使用双字节来表示，为了区分中文，将其最高位都设定成1。GBK包含全部中文字符，是国家编码，通用性比UTF8差，不过UTF8占用的数据库比GBK大。
　　GBK、GB2312等与UTF8之间都必须通过Unicode编码才能相互转换：
　　GBK、GB2312－－Unicode－－UTF8
　　UTF8－－Unicode－－GBK、GB2312
　　对于一个网站、论坛来说，如果英文字符较多，则建议使用UTF－8节省空间。不过现在很多论坛的插件一般只支持GBK。

 

－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－

 

GB码  
  全称是GB2312-80《信息交换用汉字编码字符集   基本集》，1980年发布，是中文信息处理的国家标准，在大陆及海外使用简体中文的地区（如新加坡等）是强制使用的唯一中文编码。P- Windows3.2和苹果OS就是以GB2312为基本汉字编码，   Windows   95/98则以GBK为基本汉字编码、但兼容支持GB2312。GB码共收录6763个简体汉字、682个符号，其中汉字部分：一级字3755，以拼音排 序，二级字3008，以偏旁排序。该标准的制定和应用为规范、推动中文信息化进程起了很大作用。1990年又制定了繁体字的编码标准GB12345-90 《信息交换用汉字编码字符集   第一辅助集》，目的在于规范必须使用繁体字的各种场合，以及古籍整理等。该标准共收录6866个汉字（比GB2312多103个字，其它厂商的字库大多不 包括这些字），纯繁体的字大概有2200余个。（2312集与12345集不是相交的。一个是简体，一个是繁体）  
  BIG5编  
  是目前台湾、香港地区普遍使用的一种繁体汉字的编码标准，包括440个符号，一级汉字5401个、二级汉字7652个，共计13060个汉字。Big-5   是一个双字节编码方案，其第一字节的值在   16   进制的   A0～FE   之间，第二字节在   40～7E   和   A1～FE   之间。因此，其第一字节的最高位是   1，第二字节的最高位则可能是   1，也可能是   0。  
  GBK编码(Chinese   Internal   Code   Specification)  
  GBK编码（俗称大字符集）是中国大陆制订的、等同于UCS的新的中文编码扩展国家标准。GBK工作小组于1995年10月，同年12月完成GBK规范。 该编码标准兼容GB2312，共收录汉字21003个、符号883个，并提供1894个造字码位，简、繁体字融于一库。Windows95/98简体中文 版的字库表层编码就采用的是GBK，通过GBK与UCS之间一一对应的码表与底层字库联系。其第一字节的值在   16   进制的   81～FE   之间，第二字节在   40～FE，除去xx7F一线。  
  Top

3 楼 zhwen111（海） 回复于 2003-11-30 11:38:01 得分 0

要看你要识别GB还是BIG5了  
   
  if((ch1>=0x81)&&(ch1<=0xfe))         //GB码  
  if((ch1>=0xa1)&&(ch1<=0xfe))         //BIG5码  
  Top

4 楼 lansb1（一也） 回复于 2003-11-30 12:26:46 得分 0

ByteType(int   );  
   
  返回值有：  
  mbSingleByte,单字节字符  
  mbLeadByte双字节字符第一个字节  
  mbTrailByte双字节字符的第二个  
  比如：  
  String   a="你好";  
  int   type=a.ByteType(1);  
   
  type=mbLeadByte;Top

5 楼 spotless（spotless） 回复于 2003-11-30 15:58:14 得分 0

忘了说了，该字符类型是AnsiString。AnsiString类型应如何判断？Top

6 楼 BoyMgl（我不怕猫） 回复于 2003-11-30 17:48:13 得分 0

AnsiString   S   =   "中华人民共和国万岁！";  
  char   *   c   =   new   char[S.Length()+1];  
  for   (int   i=0;i<S.Length()+1;++i)  
  {  
  if   (((int)*c[i])>160)  
  ShowMessage("中文");  
  }Top

7 楼 spotless（spotless） 回复于 2003-11-30 22:22:02 得分 0

楼上是不是少写了几句？Top

8 楼 7rainbow（七彩虹） 回复于 2003-11-30 22:36:50 得分 0

很难做的，光是判断相邻两个字节的大小是不一定行的。  
   
  可以用这个办法，  
   
  1，先把AnsiString转换成wideString型。  
  2，再按字一个个取出，分别转换成AnsiString。  
  3，判断AnsiString的大小，不为1就是汉字了。Top

9 楼 weibz0525（小虫） 回复于 2003-12-01 09:39:30 得分 0

判断单个字符的范围  
  >160，指针移动2位  
  else  
            指针移动1位Top

10 楼 songhtao（三十年孤独） 回复于 2003-12-01 09:48:25 得分 0

AnsiString   有一个属性byte什么的可以判断字符是否是双字节。Top

11 楼 jbz（虚心求教） 回复于 2003-12-01 11:42:22 得分 0

String   s="a中文";  
          int   i,t;  
          for(i=1;i<4;i++)  
          {  
                  t=s.ByteType(i);  
                  if(t==mbSingleByte)ShowMessage("单字节字符:   mbSingleByte");  
                  else   ShowMessage("双字节字符");  
                  //if(t==mbLeadByte)ShowMessage("双字节字符第一个位:   mbLeadByte");  
                  //if(t==mbTrailByte)ShowMessage("双字节字符的第二位:   mbTrailByte");  
          }