彻底解决乱码问题(附一):简体中文编码中区位码、国标码、内码、外码、字形码的区别及关系

        首先声明这篇博客的创作过程，大部分文本来自“笨笨阿林”的原创文章。我在看完后加入了部分自己的理解，有些地方做了略微调整，比如将有些不易理解的地方重新解释，多余的话删除等；也在最后加入了一个例子来证实了一下在GB2312编码下从区位码到实际在计算机中存储的二进制字节流的转换过程。因此我将这篇文章定为原创，望理解。

下面是正文。

        GB2312等GB类汉字编码方案的具体实现方式是怎样的？区位码是什么？国标码是什么？内码、外码、字形码又是什么意思？它们是如何转换的，又为什么要这样转换？

        下面以GB2312为例来加以说明(由于GBK、GB18030是以GB2312为基础扩展而来，因此编码实现方式与GB2312一样)。

一、区位码

        整个GB2312字符集分成94个区，每区有94个位，每个区位上只有一个字符，即每区含有94个汉字或符号，用所在的区和位来对字符进行编码(实际上就是字符编号、码点编号)，因此称为区位码。
换言之，GB2312将包括汉字在内的所有字符编入一个94 * 94的二维表，行就是“区”、列就是“位”，每个字符由区、位唯一定位，其对应的区、位编号合并就是区位码。比如“中”字
在54区48位，所以“中”字的区位码是：5448（注意，GB类汉字编码为双字节编码，因此，45相当于高位字节，82相当于低位字节）。

（笨笨阿林原创文章，转载请注明出处）

二、国标码(交换码)

虽然GB2312为中文编码，我们也要使用到英文字母等字符，况且当时ASCII已经通用，所以要使GB2312能够兼容ASCII才行。so,为了兼容,GB2312在设计时避开了ASCII字符中的不可显示字符0000 0000 ~ 0001 1111(十六进制为0 ~ 1F，十进制为0 ~ 31)及空格字符0010 0000(十六进制为20，十进制为32)（为什么只避开ASCII中0~32的不可显示字符和空格字符，不避开其他字符呢？后面解释），国标码(又称为交换码)规定表示汉字的范围为(0010 0001，0010 0001) ~(0111 1110，0111 1110)，十六进制为(21，21) ~ (7E，7E)，十进制为(33，33) ~ (126，126)。

因此，必须将“区码”和“位码”分别加上(注意，一定是分别加上，因为区码和位码分别代表一个字节)20H(十六进制数，代表十进制中的32，H为十六进制数的后缀:Hexadecimal)，作为国标码。也就是说，国标码相当于将区位码向后偏移了32，以避免与ASCII字符中0~32的不可显示字符和空格字符相冲突。例如“中”字的区位码为5448，转为国标码的过程为，区码:(54+32)=86,位码:(48+32)=80，所以“中”字的国标码表示为：(86, 80)。十六进制为(56H, 50H)。

三、内码(机内码)

国标码还不能直接在计算机上使用，因为这样还是会和ASCII中的除控制字符外的其他字符冲突(冲突的结果就是导致乱码)。
拿“中”字举个例子，它的国标码中的高位字节为86，这会与ASCII中大写字母'V'冲突，低位字节为80，与'P'冲突。因此为避免这种情况，规定国标码中的每个字节的最高位都从0换成1，即相当于每个字节都再加上128(十六进制为80，即80H；二进制为1000 0000)，从而得到国标码的“机内码”表示，简称“内码”。由于ASCII码只用了一个字节中的低7位，利用这个特性，这个首位(最高位)上的“1”就可以作为识别汉字编码的标志，计算机在处理到首位是“1”的编码时就把它理解为汉字，在处理到首位是“0”的编码时就把它理解为ASCII字符。
“中”字从国标码转换为内码的过程为，高位字节:(86+128)=214,低位字节:(80+128)=208，所以“中”字的内码十进制表示为：(214,208)，十六进制表示为：(D6, D0)。
此时已经不再与ASCII冲突，完全兼容ASCII。因此，内码才是字符用GB2312编码后的在计算机中存储的形式。

总结一下：

    从区位码(国家标准定义) ---> 区码和位码分别+32(即+20H)得到国标码 ---> 再分别+128(即+80H)得到机内码(与ACSII码不再冲突)。

四、为什么要加上20H和80H？

首先谈谈为什么要加上20H：
当时在制定GB2312时，决定对ASCII中的可打印字符，也就是英文字母、数字和符号部分(33~126，127为不可打印的DEL)重新编入GB2312中，以两个字节表示，称之为全角字符 (全角字符在屏幕上的显示宽度为ASCII字符的两倍，后来也因此而将对应的ASCII字符称之为半角字符)。而对于ASCII中前32个不可显示也不可打印的控制字符(ASCII码为0~31)， 以及第33个可显示但不可打印的空格字符(ASCII码为32)等共33个不可打印字符的编码则直接沿用，不再重新编码。因为要保留这33个不可打印字符，就不能直接采用区位码作为计算机 直接处理的机内码，需要将区位码向后偏移32以避开冲突(为什么是偏移32，而不是偏移33？因为区位码中的区码和位码都是从1开始计数的，不像ASCII码是从0开始计数的)。
（笨笨阿林原创文章，转载请注明出处）

再谈谈为什么要加上80H：
很显然，如果直接采用国标码作为计算机直接处理的机内码的话，还将会产生另一个弊端，即用ASCII码编码的英文字符在GB2312编码环境中无法打开，一打开就会乱码。
因为国标码虽然相较于区位码避开了ASCII码中0~32的前33个不可打印字符，但并没有避开ASCII码中的英文字母、数字和符号(33~126，共94个字符，127为不可打印的DEL)等可打印字符。也就是说，国标码并不是完全兼容ASCII码的。
为了解决这个弊端，考虑到ASCII码只使用了一个字节中的低7位，最高位(即首位)为0，于是决定将国标码每个字节的最高位设为1(国标码的两个字节中的最高位都恒为0，即国标码中的每个字节实际上也只用了一个字节中的低7位)，这就是GB2312的机内码(即内码)，简称GB2312码。 这样一来就彻底区分开了ASCII码和GB2312码。这也是为什么国标码还要加上(80H，80H)才能得到机内码。

（笨笨阿林原创文章，转载请注明出处）

五、外码(输入码、输入法编码)

1.外码也叫输入码、输入法编码，是用来将汉字输入到计算机中的一组键盘符号，是作为汉字输入用的编码。
英文字母只有26个，可以把所有的字符都放到键盘上，而使用这种办法把所有的汉字都放到键盘上，是不可能的。所以汉字系统需要有自己的输入码体系，使汉字与键盘能建立对应关系。

2.目前常用的外码分为以下几类：
1）数字编码，比如区位码；
2）拼音编码，比如全拼、双拼、自然码等；

3）字形编码，比如五笔、表形码、郑码等。

六、字形码(字型码、字模码、输出码)

1.字形码，又称为字型码、字模码、输出码，属于点阵代码的一种。

        为了将汉字在显示器或打印机上输出，把汉字按图形符号设计成点阵图，就得到了相应的点阵代码(字形码)。也就是用0、1表示汉字的字形，将汉字放入n行*n列的正方形(点阵)内，该正方形共有n^2个小方格，每个小方格用一位二进制表示，凡是笔划经过的方格值为1，未经过的值为0。

2.显示一个汉字一般采用16×16点阵或24×24点阵或48×48点阵。已知汉字点阵的大小，可以计算出存储一个汉字所需占用的字节空间。
        比如，用16×16点阵表示一个汉字，就是将每个汉字用16行，每行16个点表示，一个点需要1位二进制代码，16个点需用16位二进制代码(即2个字节)，共16行，所以需要16行×2字节/行=32字节，即16×16点阵表示一个汉字，字形码需用32字节。

        因此，字节数=点阵行数×(点阵列数/8)。

3.为了将汉字的字形显示输出或打印输出，汉字信息处理系统还需要配有汉字字形库，也称字模库，简称字库，它集中了汉字的字形信息。
        字库按输出方式可分为显示字库和打印字库。用于显示输出的字库叫显示字库，工作时需调入内存。用于打印输出的字库叫打印字库，工作时无需调入内存。
        字库按存储方式也可分为软字库和硬字库。软字库以文件的形式存放在硬盘上，现多用这种方式。硬字库则将字库固化在一个单独的存储芯片中，再和其它必要的器件组成接口卡，插接在计算机上，通常称为汉卡。这种方式现已淘汰。

七、小结

        可以这样理解，为了在计算机内表示汉字而采取统一的编码方式所形成的汉字编码叫内码。为方便汉字输入而形成的汉字编码为外码，也叫输入码。为显示输出和打印输出汉字而形成的汉字编码为字形码，也称为字模码、输出码。

        计算机通过键盘输入的外码(重码时还需附加选择编号)对应于汉字内码，将汉字外码转换(即映射)为汉字内码，以实现输入汉字的目的；通过汉字内码在字模库(即字库)中找出汉字的字形码，将汉字内码转换(即映射)为汉字字形码，以实现显示输出和打印输出汉字的目的。

        事实上，英文字符的输入、处理和显示过程大致上也差不多，只不过英文字符不需要输入码(即外码)，直接在键盘上输入对应的英文字母即可。

（笨笨阿林原创文章，转载请注明出处）

八、实例证明区位码与内码之间的转换关系是成立的

解释：
首先调用“中”这个字符串的getBytes方法，我们使用的它的重载形式：

这个方法的作用是：使用参数指定的字符集，来编码这个String，称为一个字节序列，并把结果保存在一个字节数组中。

这里我们使用GB2312来编码“中”字，输出后得到结果：

            

为什么是负数呢？因为java中对数字的保存采用补码的形式(不了解补码的请看我的这篇博客)。将负数转换为正数为(214, 208)。将其转换为国标码为(214-128,208-128),也就是(86,80).再将国标码转换为区位码：(86-32, 80-32),(54,48)。

现在来查看一下“中”字的区位码：

        

完全相同，说明区位码和内码之间的转换关系成立。