汉字编码问题

由于常常要和汉字处理打交道，因此，我常常受到汉字编码问题的困扰。在不断的打击与坚持中，也积累了一点汉字编码方面的经验，想和大家一起分享。 一、汉字编码的种类
 汉字编码中现在主要用到的有三类，包括GBK，GB2312和Big5。
 1、GB2312又称国标码，由国家标准总局发布，1981年5月1日实施，通行于大陆。新加坡等地也使用此编码。它是一个简化字的编码规范，当然也包括其他的符号、字母、日文假名等，共7445个图形字符，其中汉字占6763个。我们平时说6768个汉字，实际上里边有5个编码为空白，所以总共有6763个汉字。
 GB2312规定“对任意一个图形字符都采用两个字节表示，每个字节均采用七位编码表示”，习惯上称第一个字节为“高字节”，第二个字节为“低字节”。GB2312中汉字的编码范围为，第一字节0xB0-0xF7(对应十进制为176-247)，第二个字节0xA0-0xFE（对应十进制为160-254）。
 GB2312将代码表分为94个区，对应第一字节（0xa1-0xfe）；每个区94个位（0xa1-0xfe），对应第二字节，两个字节的值分别为区号值和位号值加32（2OH），因此也称为区位码。01-09区为符号、数字区，16-87区为汉字区（0xb0-0xf7），10-15区、88-94区是有待进一步标准化的空白区。
 
2、Big5又称大五码，主要为香港与台湾使用，即是一个繁体字编码。每个汉字由两个字节构成，第一个字节的范围从0X81－0XFE（即129-255），共126种。第二个字节的范围不连续，分别为0X40－0X7E（即64-126），0XA1－0XFE（即161-254），共157种。
 
3、GBK是GB2312的扩展，是向上兼容的，因此GB2312中的汉字的编码与GBK中汉字的相同。另外，GBK中还包含繁体字的编码，它与Big5编码之间的关系我还没有弄明白，好像是不一致的。GBK中每个汉字仍然包含两个字节，第一个字节的范围是0x81-0xFE（即129-254），第二个字节的范围是0x40-0xFE（即64-254）。GBK中有码位23940个，包含汉字21003个。
 

二、对汉字进行hash
 为了处理汉字的方便，在查找汉字的时候，我们通常会用到hash的方法，那怎么来确定一个汉字位置呢？这就和每种编码的排列有关了，这里主要给出一种hash函数的策略。
 对于GB2312编码，设输入的汉字为GBword，我们可以采用公式(C1-176)*94 + (C2-161)确定GBindex。其中，C1表示第一字节，C2表示第二字节。具体如下：
 GBindex = ((unsigned char)GBword.at(0)-176)*94 + (unsigned char)GBword.at(1) - 161;
 之所以用unsigned char类型，是因为char是一个字节，如果用unsigend int，因为int是4个字节的，所以会造成扩展，导致错误。
 对于GBK编码，设输入的汉字为GBKword，则可以采用公式 index=(ch1-0x81)*190+(ch2-0x40)-(ch2/128)，其中ch1是第一字节，ch2是第二字节。
 具体的，
 GBKindex = ((unsigned char)GBKword[0]-129)*190 +
 ((unsigned char)GBKword[1]-64) - (unsigned char)GBKword[1]/128;
 
三、怎样判断一个汉字的是什么编码
 直接根据汉字的编码范围判断，对于GB2312和GBK可用下面两个程序实现。
 1、判断是否是GB2312
 bool isGBCode(const string& strIn)
 {
 unsigned char ch1;
 unsigned char ch2;
 
if (strIn.size() >= 2)
 {
 ch1 = (unsigned char)strIn.at(0);
 ch2 = (unsigned char)strIn.at(1);
 if (ch1>=176 && ch1<=247 && ch2>=160 && ch2<=254)
 return true;
 else return false;
 }
 else return false;
 }
 2、判断是否是GBK编码
 bool isGBKCode(const string& strIn)
 {
 unsigned char ch1;
 unsigned char ch2;
 
if (strIn.size() >= 2)
 {
 ch1 = (unsigned char)strIn.at(0);
 ch2 = (unsigned char)strIn.at(1);
 if (ch1>=129 && ch1<=254 && ch2>=64 && ch2<=254)
 return true;
 else return false;
 }
 else return false;
 }
 
3、对于Big5
 它的范围为：高字节从0xA0到0xFE，低字节从0x40到0x7E，和0xA1到0xFE两部分。判断一个汉字是否是BIG5编码，可以如上对字符的编码范围判断即可。如何定位呢？那么也想象所有编码排列为一个二维坐标，纵坐标是高字节，横坐标是低字节。这样一行上的汉字个数：(0x7E-0x40+1)+(0xFE-0xA1+1)＝157。那么定位算法分两块，为:
if 0x40<=ch2<=0x7E: #is big5 char
index=((ch1-0xA1)*157+(ch2-0x40))*2
elif 0xA1<=ch2<=0xFE: #is big5 char
index=((ch1-0xA1)*157+(ch2-0xA1+63))*2

对于第二块，计算偏移量时因为有两块数值，所以在计算后面一段值时，不要忘了前面还有一段值。0x7E-0x40+1=63。
 
四、如果判断一个字符是西文字符还是中文字符
 大家知道西文字符主要是指ASCII码，它用一个字节表示。且这个字符转换成数字之后，该数字是大于0的，而汉字是两个字节的，第一个字节的转化为数字之后应该是小于0的，因此可以根据每个字节转化为数字之后是否小于0，判断它是否是汉字。
 例如，设输入字为strin，则，
 If (strin.at(0) < 0)
 cout << ”是汉字” << endl;
 else cout << ”不是汉字” << endl;

本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/sptoor/archive/2009/09/04/4520535.aspx