汉字的存储问题

为什么80%的码农都做不了架构师？>>>   

今天在写分词程序中碰到了汉字的存储问题，特作标记如下：

汉字机内码在计算机的表达方式的描述是，使用二个字节，每个字节最高位一位为1。计算机中，补码第一位是符号位 1表示为负数。所以汉字机内码的每个字节表示的十进制数都是负数，统计输入字符串含有几个汉字，只需要求出字符串 中小于0的字符有几个，将它除以2就得到答案

汉字在计算机里是用机内码表示，国家标准的汉字字符集在汉字操作系统中是以汉字库的形式提供的。汉字库规定， 把字库分为94个区（区号），每个区有94个汉字（位号），这就是所谓的区位码（区位码第一字节是区号，第二字节 是位号，因为知道了区位码就等于知道了该汉字在字库中的位置）。每个汉字在字库中是以点阵字模形式存储的，如 一般采用1616点阵形式，这样就需要32个字节。在1616点阵里，存1的点在显示时为一个亮点，存0的点不显示， 这样汉字就显示出来了。 0000001100000000 0000001100000000 0000001100000000 0000001100000010 1111111111111110 0000001100000000 0000001100000000 0000001100000000 0000001100000000 0000001110000000 0000011001000000 0000110000100000 0001100000010000 0001000000011000 0010000000001110 1100000000000100 这样当需要显示“大”这个汉字时，首先要把这个字模取出，然后逐位显示，1显示0不显示，屏幕上就会出现“大”这个汉字 那么我们怎么知道汉字的区位码呢？汉字的机内码和区位码的转换关系是(以"大"为例) 区号B4-A0 位号F3-A0 也就是说，把内码减去A0就是区位码，那么“大”这个汉字的区位码就出来了，是在14H区53H好，也就是第20区第83号。 那么由于每个区有94个汉字，“大”这个字应该就是在汉字库的第(20-1)*94+(83-1)个汉字位置（每个汉字字模占32字节）

例子测试如下：

<!-- lang: cpp -->
int x = -96;
string m = "大";
int quma = int(m[0]) - x;
int weima = int(m[1]) - x;

由于十六进制0xa0不能表示负数，故直接用-96表示，程序输出结果是quma=20,weima=83

转载于:https://my.oschina.net/u/866703/blog/147200