编码知识学习笔记之二

 

编码知识学习笔记之二

一．什么是内码

字符必须编码后才能被计算机处理。计算机使用的缺省编码方式就是计算机的内码。早期的计算机使用7位的ASCII编码，为了处理汉字，程序员设计了用于简体中文的GB2312和用于繁体中文的big5。

 

计算机使用的缺省编码方式就是计算机的内码。

二．三种简体中文国标编码

1. GB2312；

2. GBK；

3. GB18030；

三．详述三种简体中文编码

GB2312

GB2312(1980年)一共收录了7445个字符，包括6763个汉字和682个其它符号。汉字区的内码范围高字节从B0-F7，低字节从A1-FE，占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。

GB2312 支持的汉字太少。

GBK

1995年的汉字扩展规范GBK1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字符。

GB18030

2000年的 GB18030是取代GBK1.0的正式国家标准。该标准收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。现在的PC平台必须支持GB18030，对嵌入式产品暂不作要求。所以手机、MP3一般只支持GB2312。

从ASCII、 GB2312、GBK到GB18030，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼，GB2312、GBK到GB18030都属于双字节字符集 (DBCS)。

有的中文Windows的缺省内码还是GBK，可以通过GB18030升级包升级到GB18030。不过GB18030相对GBK增加的字符，普通人是很难用到的，通常我们还是用GBK指代中文Windows内码。

四．DBCS是什么

双字节字符集

五．ASCII、 GB2312、GBK到GB18030，这些编码方法是向下兼容的，如何理解

GB18030完全包含GBK的编码的字符集，GBK的编码的字符集是GB18030字符集的一部分

GBK完全包含GB2312的编码的字符集，GB2312的编码的字符集是GBK字符集的一部分

GB2312完全包含ASCII的编码的字符集，GB2312的编码的字符集是ASCII字符集的一部分

六．区位码如何转换为内码

GB2312的原文还是区位码，从区位码到内码，需要在高字节和低字节上分别加上A0

七．GB的存储格式

在DBCS中，GB内码的存储格式始终是big endian，即高位在前。

 

八．如何解析DBCS字符流

GB2312 的两个字节的最高位都是1。但符合这个条件的码位只有128*128=16384个。所以GBK和GB18030的低字节最高位都可能不是1。不过这不影响DBCS字符流的解析：在读取DBCS字符流时，只要遇到高位为1的字节，就可以将这两个字节（是指遇到的高位为1的字节，以及紧接着的下一个字节）作为一个双字节编码，而不用管低字节的高位是什么。