GBK汉字编码技术研究.docVIP

GBK汉字编码技术研究 杨善超 福建师范大学数学与信息学院 X 关注成功！ 加关注后您将方便地在 我的关注中得到本文献的被引频次变化的通知！ 新浪微博 腾讯微博 人人网 开心网 豆瓣网 网易微博 摘????要： 文字编码是现代社会信息传播的基础, 对文化发展非常重要。本文简述了常见的汉字编码方案, 重点分析了GB2312、GBK编码标准的文字编码规则, 并通过C语言、Excel进行GBK文字符号的分类显示。 关键词： GBK编码; GB2312编码; C语言; Excel; 作者简介：杨善超 (1979-) , 男 (汉族) , 山东东平人, 讲师, 硕士, 主要研究方向为图形图像处理、多媒体信息安全。 基金：福建省教育厅B类项目 (JB08049) 1. 引言 文字的数字化对不同民族、种族的交流有非常重要的意义, 有利于文化传播;文字的数字化离不开文字的编码, 这些编码方式会影响古籍、嵌入式设备上的字符输出显示。文字编码标准、尤其汉字编码标准有很多, 很有研究的必要, 因此本文先对现有汉字编码标准进行介绍, 然后重点对编码标准GB2312-80和GBK进行分析。 2. 常见文字编码技术 文字的数字化是计算机处理文字的基础, 其主要过程是将文字映射为二进制整数, 又称为文字的编码, 而真正写入内存的文字编码称为内码。信息存储的最小单位是位 (b, bit) , 基本单位是字节 (B, Byte) , 1B=8b。内码一般由固定长度的字节组成。目前的文字编码标准主要有ASCII、GB2312、GBK、Unicode等[1], 下面分别对这些编码标准做介绍。ASCII编码是最简单的西文编码方案。GB2312、GBK、GB18030是汉字字符编码方案的国家标准。ISO/IEC 10646和Unicode都是全球字符编码的国际标准。下面对与汉字相关的编码方案做简要的分析。 2.1 ASCII编码 标准ASCII码使用7位二进制来编码常见的西文字符, 对应1个字节的低7位, 最高位为0, 可以表示128个符号, 其中ASCII码小于32的是控制字符。32~126表示可打印字符。扩展ASCII码采用最高位为1的8位二进制来表示。但西方国家对扩展ASCII定义的字符集不统一。 表1 GBK编码标准编码空间 ?? 下载原表 2.2 GB2312-80编码标准 GB2312-80是1980年制定的中国汉字编码国家标准。共收录7445个字符, 其中汉字6763个。GB2312兼容标准ASCII码, 采用扩展ASCII码的编码空间进行编码, 一个汉字占用两个字节, 每个字节的最高位为1。具体办法是:收集了7445个字符组成94*94的方阵, 每一行称为一个“区”, 每一列称为一个“位”, 区号位号的范围均为01-94, 区号和位号组成的代码称为“区位码”。区位输入法就是通过输入区位码实现汉字输入的。将区号和位号分别加上20H, 得到的4位十六进制整数称为国标码, 编码范围为0x2121~0x7E7E。为了兼容标准ASCII码, 给国标码的每个字节加80H, 形成的编码称为机内码, 简称内码, 是汉字在机器中实际的存储代码, GB2312-80标准的内码范围是0x A1A1~0x FEFE。 2.3. GBK编码标准 《汉字内码扩展规范》 (GBK) 于1995年制定, 兼容GB2312、GB13000-1、BIG5编码中的所有汉字, 使用双字节编码, 编码空间为0x8140~0x FEFE, 共有23940个码位, 如表1所示[3][4], 其中GBK1区和GBK2区也是GB2312的编码范围。收录了21003个汉字。 3. 字符的输入 3.1 基于C语言进行字符的输入和显示 WINDOWS操作系统的中文版, 默认采用“ANSI/OEM╞简体中文GBK”进行文字编码。打印GBK字符集, 需要将GBK编码按照2个字节一组写入文件, 用记事本打开文件时会按照默认的字体显示对应编码的字符。 3.2 基于Excel的字符输入和显示 Excel表格可以比较直观的显示GBK编码字符集。在打开的Excel文件中按ALT+F11键, 进入VBA代码模式编写如下过程, 运行过程可在Excel看到GBK的字符集。 4. 结束语 本文对GBK和GB2312编码方案进行了分析, 采用C语言和Excel对内码对应的字符进行显示, 是进行文字信息处理的重要基础, 可以在此基础上做进一步的汉字信息处理。 参考文献 [1]多媒体技术基础[M], 林福宗, 北京:清华大学出版社, 2017:27-42 [2]Unicode10.0 Character Code Charts./charts/, 2017 [3]Unicode、GB2312、GBK和