中文編碼問題

1.為什麼要中文編碼？

答：為了把漢字存儲在計算機中。

前車之鑒：為了把中文存儲在計算機中，我們先看看英文是如何存儲在計算機中。

ASCII碼（American Standard Code for Information Interchange，美國信息交換標準代碼），

ASCII 碼使用指定的7 位或8 位二進位數組合來表示128 或256 種可能的字元。

• 包括33個控制碼，一個空格碼，和94個形象碼
• 形象碼中包括了英文大小寫字母，阿拉伯數字，標點符號等

2.引入：英文字母有26個，中文漢字有多少個呢？怎麼編碼呢？

第一個問題：國家定義了標準：

GB 2312是中國國家標準簡體中文字符集，全稱《信息交換用漢字編碼字符集·基本集》，又稱GB0。

該標準收漢字6763個，第一級3755個，位於16至55區，55區的最後5個字元沒有定義；第二級3008個，位於56至87區

　　GB 2312的出現，基本滿足了漢字的計算機處理需要，它所收錄的漢字已經覆蓋中國大陸99.75%的使用頻率。

區位碼錶：查表時先查區號，再查行、列，例如：「啊」是1601。

第二個問題：如何編碼：

1.兼容問題：在使用GB2312的程序通常採用EUC儲存方法，以便兼容於ASCII，每個漢字及符號以兩個位元組來表示。第一個位元組稱為「高位位元組」，第二個位元組稱為「低位位元組」。

如何兼容：

1.ASCII碼擴展：

1.七位擴展到八位，增加128個碼元。

2.八位ASCII碼，從第161個字元開始，後面的字元並不經常為用戶所使用，負值也未使用。GB2312編碼方式充分利用這一特性，將161-255（-95~-1）之間的數值空間作為漢字的標識碼。既然255-161 = 94不能滿足漢字容量的要求，就將每兩個字元並在一塊(即一個漢字佔兩個位元組)，顯然，94* 94 =8836基本上已經滿足了常用漢字個數的要求。計算機處理字元時，當連續處理到兩個大與160(或-95~-1)的位元組時，就認為這兩個位元組存放了一個漢字字元。

2.兼容的基礎上編碼：

這時，我們可以定義一個轉化規律，使得我們使得我們GB2312的存儲，可以兼容ASCII。就是使得高位位元組，和低位位元組都在（160——255）之間。

規則：

區位碼：漢字在 94×94 二維表中的位置，行（區）號，列 （位）

國標碼（交換碼）：為了避開 ASCII 碼中的控制碼（00H-1FH），而與美標形象碼的範圍重合,。區位碼 的區號和位號都加上 32（十進位），16進位都加上（20h）

機內碼：漢英混合文本中，為了避免和單位元組的 ASCII 碼混 淆，交換碼的兩個位元組最高位都改為 1. 即是區位碼 區號和位號加上160（ 十六進位下等於區位碼加上A0H)

下面以C程序展示：

#include<stdio.h>int main() { unsigned char a[100];//默認一個位元組8位全部是數字位，沒有符號位，因為漢字的GB2312是八位. printf("請輸入一些漢字
"); scanf("%s", a); for (int i = 0; a[i]; i = i + 2) { int c = a[i], b = a[i+1]; printf("%c%c:ASCII:%d,%d, 機內碼：%#X%X, 國標碼：%#X%X 區位碼:%d",c,b,c, b, c, b, (c - 128), (b - 128), (c - 160)); if (b < 170)printf("0%d", (b - 160)); else printf("%d
", (b- 160)); //printf("%c%c", 176161); } return 0;}