ASCII码和汉字码

   国家标准汉字字符集GB2312-80共收集了共7445个汉字和图形符号，其中汉字6763个，分为二级，一级汉字3755个，二级汉字3008个。 汉字图形符号根据其位置将其分为94个“区”，每个区包含94个汉字字符，每个汉字字符又称为一个“位”。区的序号和位的序号都是从01到94。

       UCDOS软件中的文件HZK16和文件ASC16分别为16×16的国标汉字点阵文件和8×16的ASCII码点阵文件，以二进制格式存储。 在文件HZK16中，按汉字区位码从小到大依次存有国标区位码表中的所有汉字，每个汉字占用32个字节，每个区为94个汉字。在文件ASC16中按ASCII码从小到大依次存有8×16的ASCII码点阵，每个ASCII码占用16个字节。
       在PC机的文本文件中，汉字是以 机内码的形式存储的， 每个汉字占用两个字节：第一个字节为区码， 为了与ASCII码区别，范围从十六进制的0A1H开始（小于80H的为ASCII码字符）， 对应区位码中区码的第一区；第二个字节为位码，范围也是从0A1H开始，对应某区中的第一个位码。这样，将汉字机内码减去0A0A0H就得该汉字的区位码。

       例如汉字“房”的机内码为十六进制的“B7BF”，其中“B7”表示区码，“BF”表示位码。所以“房”的区位码为0B7BFH-0A0A0H=171FH。将区码和位码分别转换为十进制得汉字“房”的区位码为“2331”，即“房”的点阵位于第23区的第31个字的位置，相当于在文件HZK16中的位置为第32×[(23-1) ×94+(31-1)]=67136B以后的32个字节为“房”的显示点阵。
       ASCII码的显示与汉字的显示原理相同，在ASC16文件中不存在机内码的问题，其显示点阵直接按ASCII码从小到大依次排列，不过每个ASCII码在文本中只占1个字节并且小于80h,每个ASCII码为8X16点阵，即在ASCII16文件中，每个ASCII码的点阵也只占16个字节。
 
背景资料：
       1980年，我国颁布了第一个汉字编码的国家标准： GB2312-80《信息交换用汉字编码字符集》基本集，这个字符集是我国中文信息处理技术的发展基础，也是目前国内所有汉字系统的统一标准。由于国标码是四位十六进制，为了便于交流，大家常用的是四位十进制的区位码。所有的国标汉字与符号组成一个94×94的矩阵。在此方阵中,每一行称为一个"区",每一列称为一个"位",因此,这个方阵实际上组成了一个有94个区(区号分别为0 1到94)、每个区内有94个位(位号分别为01到94)的汉字字符集。一个汉字所在的区号和位号简单地组合在一起就构成了该汉字的"区位码"。在汉字的区位码中，高两位为区号，低两位为位号。在区位码中，01-09区为682个特殊字符，16~87区为汉字区，包含6763个汉字。其中16-55区为一级汉字(3755个最常用的汉字，按拼音字母的次序排列)，56-87区为二级汉字(3008个汉字，按部首次序排列)。所以，当我们需要n个任意汉字时，我们不必建一个全部汉字表，而是利用区位码实现常用汉字的提取。

 

源：http://hi.baidu.com/%B8%F8%EB%DE%CC%ED%CD%EB%B7%B9/blog/item/9b6619907be27e8ba877a42b.html

 

机内码     
国标码：是指我国1981年公布的“中华人民共和国国家标准信息交换汉字编码”，代号为“GB2312-80”。由连续的两个字节组成。

2.机内码：在计算机内表示汉字的代码是汉字机内码，汉字机内码由国标码演化而来，把表示国标码的两个字节的最高位分别加“1”，就变成汉字机内码

3.输入码：汉字输入码是指直接从键盘输入的各种汉字输入方法的编码，属于外码。

4.字型点阵码：用点阵方式来构造汉字字型，然后存储在计算机内，构成汉字字模库。目的是为了能显示和打印汉字。

（1）区位码先转换成十六进制数表示
（2）（区位码的十六进制表示）＋2020H＝国标码；
（3）国标码＋8080H＝机内码

汉字的机内码是指在计算机中表示一个汉字的编码。机内码与区位码稍有区别。汉字区位码的区码和位码的取值均在1~94之间，如直接用区位码作为机内码，就会与基本ASCII码混淆。为了避免机内码与基本ASCII码的冲突，需要避开基本ASCII码中的控制码(00H~1FH)，还需与基本ASCII码中的字符相区别。为了实现这两点，可以先在区码和位码分别加上20H，在此基础上再加80H(此处“H”表示前两位数字为十六进制数)。经过这些处理，用机内码表示一个汉字需要占两个字节，分别  称为高位字节和低位字节，这两位字节的机内码按如下规则表示:
    高位字节＝区码+20H+80H(或区码+A0H)
    低位字节=位码+20H+80H(或位码+AOH)
    由于汉字的区码与位码的取值范围的十六进制数均为01H~5EH(即十进制的01~94)，所以汉字的高位字节与低位字节的取值范围则为A1H~FEH(即十进制的161~254)。
    例如，汉字“啊”的区位码为1601，区码和位码分别用十六进制表示即为1001H，它的机内码的高位字节为B0H，低位字节为A1H，机内码就是B0A1H。

2603 =     1A03H     区位码

                + A0A0H

    =             BAA3H     机内码

汉字的编码知识
信息编码各国有各国不同的编码，国际上统一使用的编码为ASCII（美国标准信息交换代码），我国使用的有国标码BG（中文），和BIG5（中文繁体）两种。

附带要知道：中文字库（字库文件名，大小，扩展名，存放位置）
            中文输入方法（语音输入，键盘输入，手写输入，扫描输入等）

1．汉字的编码

（1）国标码：是指我国1980年公布的“信息交换汉字编码字符集”，代号为“GB2312-80”。由连续的两个字节组成。

（2）机内码：在计算机内表示汉字的代码是汉字机内码，汉字机内码由国标码演化而来，把表示国标码的两个字节的最高位分别加“1”，就变成汉字机内码。

（3）输入码：汉字输入码是指直接从键盘输入的各种汉字输入方法的编码，属于外码。

（4）字型点阵码：用点阵方式来构造汉字字型，然后存储在计算机内，构成汉字字模库。目的是为了能显示和打印汉字。

编码的转换举例
  汉字 区位码 16进制  国标码  机内码
  文  4636  2E24H  4E44H   CEC4H

“文”的区位码为4636，区码和位码分别用16进制表示即为“2E24H”， 0010 1110 0010 0100转换成国标码“4E44H”，0100 1110 0100 0100机内码为“CEC4H”， 1100 1110 1100 0100

2．汉字的输入方法

汉字输入方法目前有两大类四种。

（1）键盘输入法。这是最常用的，利用各种汉字输入方法的编码敲击键盘来输入汉字；

（2）非键盘输入法。目前主要有三种方法。 

手写笔输入法：利用汉字识别技术，通过书写笔在感应板上书写汉字把其输入的方法。

语音输入法：利用语音识别技术，通过口说来输入汉字。

扫描识别输入，是将印或写在纸上的汉字通过扫描仪输入计算机，再经相应软件处理后转换成汉字机内码。

3．汉字字符集的概念

有两种汉字字符集。

（1）国标码字符集GB2312-80：该字符集收录了6763个常用汉字，其中一级汉字3755个，二级汉字3008个。另外还收录了各种符号682个，合计7445个。

（2）GBK汉字集：GBK即汉字扩充内码规范，又称大字符集，一共收录了20900个汉字。在Windows简体中文版中，又增加了101个补充字，一共有21001个字。它包容了GB2312-80的6763个常用汉字，台湾BIG5码收录了13000多个汉字，是目前见到的收录汉字最多的汉字系统