GBK转unicode码查询表的改进
上篇文章《GBK转unicode码查询表》中有一个美中不足的地方，就是占用的内存空间稍大了一点，约128KB，当然，对于PC这种平台无所谓，但对于一些场合来说，能省内存就省内存，何况那个表省内存又是件很easy的事情。
首先说明，平时使用GBK汉字编码字符集就够用了。GB18030向下兼容GBK，所以在文章、代码直接称GBK了。对于这些标准细则，有兴趣的可以深究一下。
再说说修改的地方，其实，经过观察生成的查询表，就发现，前面128个字符就是ASCII码，完全不用去查询表(实际代码中也没有去查)，ASCII码后面有N个unicde码是0x00，只占地方，完全无用。所以，只要找到unicode非零的最低的GBK码即可。经多方查证(包括研究上篇文章给出的文本文件以及百度搜索)，发现有用的最小的GBK码是0x8140。这个是什么字符，我不太懂，可参考地址：http://ff.163.com/newflyff/gbk-list/。比这个值小的都没有在GBK编码中找到。因此，我们的表中只需要存储这个值以后的GBK对应的unicode编码即可。这样一来，就可以节省一半的空间了(实际占用62.9KB)。在查询函数中，将字符的GBK码减去0x8140即可得到查询表中正确的unicode码。
上述方法不复杂，也不难想到。与我之前存储ASCII字符方法一样，即不去存储95个ASCII码，而只存储从0x20开始的ASCII码，在查询时，将传入的字符减去0x20即可。
下面给出修改后的程序(修改地方不多，一个是存储查询表时，从0x8140开始，另一个是在查询过程中将GBK减去0x8140)。
生效查询表程序代码如下：
#include <stdlib .h>
#include <string .h>
#define ARRAY "gbkuni30"
#define MAX_LEN 65535 // 2字节最大数
static unsigned short big_buffer[MAX_LEN] = { 0};
// 源文件
#define SRC "gbkuni30.txt"
// 生产的头文件
#define DST "gbkuni30_gen.h"
int make_charmap_gb18030()
{
char buffer[ 16] = { 0};
char* p = NULL;
FILE* fp_c = NULL;
FILE* fp = NULL;
int len = 0;
int x1 = 0;
int x2 = 0;
int i = 0;
int max_num = 0;
int cnt = 0;
fp = fopen(SRC, "r");
if (fp == NULL)
{
printf( "open file error!!\n");
return - 1;
}
fseek(fp, 0, SEEK_END);
len = ftell(fp);
fseek(fp, 0,SEEK_SET);
printf( "file len: %d\n", len);
fp_c = fopen(DST, "w+");
if (fp_c == NULL)
{
printf( "open file error!!\n");
return - 1;
}
fprintf(fp_c, "/**********************************************************************************/\n");
fprintf(fp_c, "/* GBK(GB18030) to UNICODE table, powered by Late Lee */\n");
fprintf(fp_c, "/* http://www.latelee.org */\n");
fprintf(fp_c, "/* %s %s */\n", __DATE__, __TIME__);
fprintf(fp_c, "/* The source file comes from: */\n");
fprintf(fp_c, "/* http://icu-project.org/repos/icu/data/trunk/charset/source/gb18030/gbkuni30.txt*/\n");
fprintf(fp_c, "/**********************************************************************************/\n");
fprintf(fp_c, "#ifndef __GBK2UNICODE__H\n");
fprintf(fp_c, "#define __GBK2UNICODE__H\n\n");
fprintf(fp_c, "");
fprintf(fp_c, "static unsigned short %s[] = \n{\n", ARRAY);
// 先读取到缓冲区，解析出两个数
while (fgets(buffer, 32, fp) != NULL)
{
sscanf(buffer, "%x:%x\n", &x1, &x2);
//printf("%s", buffer);
//printf("%04x %x\n", x1, x2);
//fprintf(fp_c, "0x%04x, 0x%x,\n", x1, x2);
big_buffer[x2] = x1;
if (x2 > max_num)
max_num = x2;
}
printf( "max num: %d %x\n", max_num, max_num);
// 注：为节省存储空间，从0x8140开始存储，查询时需要减去此数
for (i = 0x8140; i < max_num + 1; i++)
{
//printf("0x%04x\n", big_buffer[i]);
fprintf(fp_c, "0x%04x, ", big_buffer[i]);
cnt++;
if (cnt % 10 == 0)
{
fprintf(fp_c, " // line num %d \n", cnt / 10 - 1);
}
}
fprintf(fp_c, "\n");
fprintf(fp_c, "};\n\n");
fprintf(fp_c, "#endif //__GBK2UNICODE__H\n");
fprintf(stdout, "Job done!\n");
fclose(fp);
fclose(fp_c);
return 0;
}
转换查询函数如下：
* gbk字符串转unicode字符串
*
* @param unicode unicode字符串
* @param gb gbk字符串
* @param len gbk字符串长度
*
* @return 返回转换后的unicode字符串长度(1个字符占2字节)
*
* @note
* 1. 所有字符的unicode编码为2字节？？
* 2. 必须使用unsigned char进行移位计算，否则结果不正确
*/
int gbk_to_unicode( unsigned short int* unicode, const char* gb, int len)
{
int i,j;
i = 0;
unsigned char* gb_temp = ( unsigned char *)gb; // 必须转换成无符号
for(j = 0; i < len; j++)
{
if (gb_temp[i] <= 0x80)
{
unicode[j] = gb_temp[i];
i++;
}
else
{
unsigned short int temp;
//printf("%x %x\n", gb_temp[i], gb_temp[i+1]);
temp = (gb_temp[i] << 8) + gb_temp[i+ 1];
temp -= 0x8140; // 查询表从0x8140开始存储，故减去此数
unicode[j] = gbkuni30[temp];
i += 2;
//printf("debug: gbk: 0x%x unicode: 0x%x\n", temp+0x8140, unicode[j]);
}
}
return j;
}
对于代码优化，我还有比较注意的，举个例子，有个接口需要修改RGB颜色值，要是我设计的话，肯定将RGB三个颜色值合成一个int型参数。但我看的代码中，是将三个值分开传递的，这样，无端多了几个参数。经询问，得到的解释是：用户可读性强。对此，我不作评论。在公司层面上讲，我绝对服从组织上的决定。
记于文后：
对于汉字及编码，很早我就开始搞了，只是没时间研究那么深。写了现在这篇文章后，估计不会在这方面再作研究了。再研究下去也没多大意思。
迟，记于2013年8月24日晚上