中文字符集、编码

前言
由于工作的需要，参考了好多资料整理出来一份计算机汉字处理报告，不敢独享，希 望与大家共享。Ziggler 现代计算机技术虽然先进， 但大多数人只知录入 GB-2313 字符集内的 6763 个简体汉字， 对包含 21003 个简繁体汉字的 GBK 字符集的文字录入、字体 显示就已不甚了解（市面上 绝大多数所谓的繁体字体，其实采用的是 GB2313 字符集简体字的编码，用字体显示为繁体 字，而不是直接用 GBK 字符集中繁体字 的编码，错误百出） 。而汉字总数至少有近 10 万 个，目前计算机能处理的，也有 70244 个，已非一般人所能知能用了。 由于汉字总数非常庞大。 汉字总共有多少字？到目前为止， 恐怕没人能够答得上来精确 的数字。据估计，汉字数量达到 11 万左右。 这里所说的七万多汉字， 是指 UNICODE 超大字集全部七万多中日韩汉字。 （注： Unicode 是指用两个字节表示每个字符的字符编码方案。 ） 那一般计算机能够显示多少个汉字呢？比如大陆这边普遍安装简体 Windows 系统，而 简体 windows 以宋体为系统字型，宋体支持 GBK 编码，所以能显示 20902 个汉字。 要显示 71564 个汉字， 可以采取多种方案， 如： 宋体-方正超大字符集+新细明体 EXTB、 宋体-方正超大字符集+中易宋体 EXTB、宋体 GB18030+新细明体 ExtB、宋体 18030+宋体 ExtB 等等。
中文字符集、编码
字符是各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等。字符 集是多个字符的集合，字符集 种类较多，每个字符集包含的字符个数不同。 计算机要准确的处理各种字符集文字， 需要进行字符编码， 以便计算机能够识别和存储 各种文字。 中文文字数目大， 而且还分为简体中文和繁体中文两种不同书写规则的文字， 而计算机 最初是按英语单字节字符设计的， 因此， 对中文字符进行编码， 是中文信息交流的技术基础。 以下是常见的一些字符集介绍，部分字符集中包括编码介绍。
GB2312 字符集
1．名称的由来 GB2312 又称为 GB2312-80 字符集，全称为《信息交换用汉字编码字符集·基本集》 ，由原中 国国家标准总局发布，1981 年 5 月 1 日实施。 2．特点 GB2312 是中国国家标准的简体中文字符集。它所收录的汉字已经覆盖 99.75%的使用频率，

基本满足了汉字的计算机处理需要。在中国大陆和新加坡获广泛使用。 3．包含内容 GB2312 收录简化汉字及一般符号、序号、数字、拉丁字母、日文假名、希腊字母、俄文字母、汉语 拼音符号、 汉语注音字母， 共 7445 个图形字符。 其中包括 6763 个汉字， 其中一级汉字 3755 个，二级汉字 3008 个；包括拉丁字母、希腊字母、日文平假名及片假名字母、俄语西里尔 字母在内的 682 个全角字符。 4．技术特征 （1）分区表示： GB2312 中对所收汉字进行了“分区”处理，每区含有 94 个汉字/符号。这种表示方式也称 为区位码。 各区包含的字符如下：01-09 区为特殊符号；16-55 区为一级汉字，按拼音排序；56-87 区 为 二级汉字，按部首/笔画排序；10-15 区及 88-94 区则未有编码。 （2）双字节表示 两个字节中前面的字节为第一字节，后面的字节为第二字节。习惯上称第一字节为“高 字节” ，而称第二字节为“低字节” 。 “高位字节”使用了 0xA1-0xF7(把 01-87 区的区号加 上 0xA0)， “低位字节”使用了 0xA1-0xFE(把 01-94 加上 0xA0)。 5．编码举例 以 GB2312 字符集的第一个汉字 “啊” 字为例， 它的区号 16， 位号 01， 则区位码是 1601， 在大多数计算机程序中，高字节和低字节分别加 0xA0 得到程序的汉字处理编码 0xB0A1。计 算公式是：0xB0=0xA0+16, 0xA1=0xA0+1。
BIG5 字符集
1．名称的由来 又称大五码或五大码，1984 年由台湾财团法人信息工业策进会和五间软件公司宏碁 (Acer)、神通 (MiTAC)、佳佳、零壹 (Zero One)、大众 (FIC)创立，故称大五码。 Big5 码的产生，是因为当时台湾不同厂商各自推出不同的编码，如倚天码、IBM PS55、 王安码等，彼此不能兼容；另一方面，台湾政府当时尚未推出官方的汉字编码，而中国大陆 的 GB2312 编码亦未有收录繁体中文字。

2．特点 Big5 字符集共收录 13,053 个中文字，该字符集在中国台湾使用。耐人寻味的是该字符 集重复地收录了两个相同的字： “兀”(0xA461 及 0xC94A)、 “嗀”(0xDCD1 及 0xDDFC)。 3．字符编码方法 Big5 码使用了双字节储存方法，以两个字节来编码一个字。第一个字节称为“高位字 节” ，第二个字节称为“低位字节” 。高位字节的编码范围 0xA1-0xF9，低位字节的编码范围 0x40-0x7E 及 0xA1-0xFE。 各编码范围对应的字符类型如下：0xA140-0xA3BF 为标点符号、希腊字母及特殊符号， 另 外 于 0xA259-0xA261 ， 存 放 了 双 音 节 度 量 衡 单 位 用 字 ： 兙 兛 兞 兝 兡 兣 嗧 瓩 糎 ； 0xA440-0xC67E 为常用汉字，先按笔划再按部首排序；0xC940-0xF9D5 为次常用汉字，亦是 先按笔划再按部首排序。 4．Big5 的局限性 尽管 Big5 码内包含一万多个字符，但是没有考虑社会上流通的人名、地名用字、方言 用字、化学及生物科等用字，没有包含日文平假名及片假名字母。 例如台湾视“着”为“著”的异体字，故没有收录“着”字。康熙字典中的一些部首用 字(如“亠” 、 “疒” 、 “辵” 、 “癶”等)、常见的人名用字(如“堃” 、 “煊” 、 “栢” 、 “喆”等) 也 没有收录到 Big5 之中。
GBK 字符集
又称大字符集(GB=GuóBiāo 国标，K=扩展)，包含以上两种字符集汉字，收入 21003 个 汉字，882 个符号，共计 21885 个字符，包括了中日韩(CJK)统一汉字 20902 个、扩展 A 集 (CJK Ext-A) 中的汉字 52 个。Windows 95\98 简体中文 版就带有这个 GBK.txt 文件。宋体、 隶书、 黑体、 幼圆、 华文中宋、 华文细黑、 华文楷体、 标楷体(DFKai-SB)、 Arial Unicode MS、 MingLiU、PMingLiU 等字体支持显示这个字符集。微软拼音输入法 2003、全拼、紫光拼音 等输入法，能够 录入如镕镕炁夬喆嚞姤赟赟?龑昳堃慜靕臹等 GBK 简繁体汉字。
GB18030 字符集
1．名称的由来 GB 18030 的全称是 GB18030-2000《信息交换用汉字编码字符集基本集的扩充》 ，是我国 政府于 2000 年 3 月 17 日发布的新的汉字编码国家标准，2001 年 8 月 31 日后在中国市场上 发布的软件必须符合本标准

2．特点 GB 18030 字符集标准的出台经过广泛参与和论证，来自国内外知名信息技术行业的公 司，信息产业部和原国家质量技术监督局联合实施。 GB 18030 字符集标准解决汉字、日文假名、朝鲜语和中国少数民族文字组成的大字符 集计算机编码问题。该标准的字符总编码空间超过 150 万个编码位，收录了 27484 个汉字， 覆盖中文、日文、朝鲜语和中国少数民族文字。满足中国大陆、香港、台湾、日本和韩国等 东亚地区信息交换多文种、大字量、多用途、统一编码格式的要求。并且与 Unicode 3.0 版本兼容，填补 Unicode 扩展字符字汇“统一汉字扩展 A”的内容。并且与以前的国家字符 编码标准（GB2312，GB13000.1）兼容。 3．编码方法 GB 18030 标准采用单字节、双字节和四字节三种方式对字符编码。单字节部分使用 0 ×00 至 0×7F 码(对应于 ASCII 码的相应码)。双字节部分，首字节码从 0×81 至 0×FE，尾 字节码位分别是 0×40 至 0×7E 和 0×80 至 0×FE。四字节部分采用 GB/T 11383 未采用的 0 ×30 到 0×39 作为对双字节编码扩充的后缀， 这样扩充的四字节编码， 其范围为 0×81308130 到 0×FE39FE39。其中第一、三个字节编码码位均为 0×81 至 0×FE，第二、四个字节编码 码位均为 0×30 至 0×39。 4．包含的内容 双字节部分收录内容主要包括 GB13000.1 全部 CJK 汉字 20902 个、 有关标点符号、 表意 文字描述符 13 个、增补的汉字和部首/构件 80 个、双字节编码的欧元符号等。 四字节 部分收录了上述双字节字符之外的，包括 CJK 统一汉字扩充 A 在内的 GB 13000.1 中的全部 字符。
方正超大字符集
包含 GB18030 字符集、CJK Ext-B 中的 36862 个汉字，共计 64395 个汉字。宋体-方正 超大字符集支持这个 字符集的显示。Microsoft Office XP 或 2003 就自带有这个字体。若要 单独安装字体，选择：自定义安装→选择应用程序的高级自定义 →Microsoft Office→Office 共享功能→中文字体→中文超大字符集字体，点左键选择“从本机运行全部程序”，其馀内容 用左键点击选择 不安装。
Unicode 字符集
1．名称的由来 Unicode 字符集编码是 Universal Multiple-Octet Coded Character Set 通用多八位

编码字符集的简称，是由一个名为 Unicode 学术学会(Unicode Consortium)的机构制订的 字符编码系统， 支持现今世界各种不同语言的书面文本的交换、 处理及显示。 该编码于 1990 年开始研发，1994 年正式公布，最新版本是 2005 年 3 月 31 日的 Unicode 4.1.0。 2．特征 Unicode 是一种在计算机上使用的字符编码。 它为每种语言中的每个字符设定了统一并 且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。 3．编码方法 Unicode 标准始终使用十六进制数字，而且在书写时在前面加上前缀“U+” ，例如字母 “A”的编码为 004116 和字符“?”的编码为 20AC16。所以“A”的编码书写为“U+0041” 。 4．UTF-8 编码 UTF-8 是 Unicode 的其中一个使用方式。 UTF 是 Unicode Translation Format，即把 Unicode 转做某种格式的意思。 UTF-8 便于不同的计算机之间使用网络传输不同语言和编码的文字，使得双字节的 Unicode 能够在现存的处理单字节的系统上正确传输。 UTF-8 使用可变长度字节来储存 Unicode 字符，例如 ASCII 字母继续使用 1 字节储存， 重音文字、希腊字母或西里尔字母等使用 2 字节来储存，而常用的汉字就要使用 3 字节。辅 助平面字符则使用 4 字节。 5．UTF-16 和 UTF-32 编码 UTF -32、 UTF-16 和 UTF-8 是 Unicode 标准的编码字符集的字符编码方案， UTF-16 使 用一个或两个未分配的 16 位代码单元的序列对 Unicode 代码点进行编码； UTF-32 即将每 一个 Unicode 代码点表示为相同值的 32 位整数。
汉字构形资料库 2.3 版
内含楷书字形 60082 个、小篆 11100 个、楚系简帛文字 2627 个、金文 3459 个、甲骨文 177 个、异体字 12768 组。可以安装该程序，亦可以解压后使用其中的字体文件，对于整理 某些古代文献十分有用。
字符集包含汉字简表
字符集 GB-2312 字符集 GBK 字符集 汉字个数 6763 个简体汉字，715 个符号，总计 7478 个字符 21003 个简繁体汉字，882 个符号，共 计 21885 个字符

BIG5 字符集 GB18030 字符集
收入 13060 个繁体汉字，808 个符号， 总计 13868 个字符 GBK 字符集 + CJK Ext-A = 27533 个 汉字(CJK-A 中有 52 字与 GBK 中的汉字重复， 但内码不同，在计总数时不算在内) 包含 GB18030 字符集、CJK Ext-B 中 的 36862 个汉字，共计 64395 个汉字 计有：CJK 统一汉字 20902 个， CJK Ext-A 6582 个，Ext-B 42711 个，共计 70195 个汉字 20902 个汉字 (包含在 GBK 字符集中) 6582 个汉字 (包含在 GB18030 字符集中) 42711 个汉字
方正超大字符集 Unicode 字符集
Unicode 字符集，CJK Unicode 字符集，CJK Ext-A Unicode 字符集，CJK Ext-B
各种编码范围表
编码 GB2312 Big5 GBK GB18030 汉字编码范围 范围： 0xA1A1(41377) - 0xFEFE(65278) 汉字范围： 0xB0A1(45217) - 0xF7FE(63486) 第一字节编码范围为 0xA1~0xF9， 第二字节编 码范围为 0x40~0x7E 与 0xA1~0xFE 0x8140-0xfefe 编码是变长的，其二字节部分与 GBK 兼容； 四字节部分是扩充的字形、字位，其编码范 围是首字节 0x81-0xfe、二字节 0x30-0x39、 三字节 0x81-0xfe、四字节 0x30-0x39 汉字 u4E00-u9FA5
UNICODE
中文字体
字体是描述文字在显示器或者打印机上面呈现的效果的一种数据，也叫字 库。 Windows 中一般都是使用 TrueType 字体， 每个中文版 Windows 操作系统均默 认安装了宋体、仿宋、黑体和楷体四种字体。

1、华文彩云、华文琥珀、华文隶书、华文新魏 、华文行楷 6763 2、楷体_GB2312、仿宋_GB2312 6763 3、方正舒体 9690 方正姚体 9826 4、幼圆、黑体、隶书、宋体、新宋体 21003 5、华文楷体、华文仿宋、华文宋体、华文细黑、华文中宋 21003 6、FZNew XiuLi-Z11 方正新秀丽繁体(旧字形) 15290
方正书宋、楷体、仿宋、黑体-GBK 21003
7、北师大说文小篆
北师大说文重文 11100 个 (PDF 文本) 此两款字体包含在“汉字构形资料库”中。
8、宋体-18030、新宋体-18030 21003+ 6582 = 27533 9 、 MS Song 书 同 文 楷 体 21003+ 6582 = 27533 ( 同 FZKai-Z03 方正楷体简体版) 10、FZKai-Z03 方正楷体 21003+ 6582 = 27533
此外还造了近 5000 个在古籍中较常使用的汉字，共计 32000 编码汉字，能显示八卦六十四 卦符号。 下载简体中文版的是大陆标准楷体的写法， 下载繁体中文版的是台湾教育部楷体的 写法，两个字体都是相同的文件名、字体名，除非更改字体名称，否则没有办法两个同时安 装。

11、宋体-方正超大字符集
21003+6582+36862=64395 （MS Office XP\2003 自带） 支持包“Surrogate 更新” ： https://www.wendangku.net/doc/5813272978.html,/downloads/details.aspx?displaylang=zh-cn&FamilyID=1A8B048 F-C76F-4E55-A0CF-E695CEF87C81
12、 UniSongGBK1.01 宋体-全汉字集 （简体中文版） 71564
13、 UniSongBig51.01 宋体-全汉字集 （繁体中文版） 71564
中文输入法
1、 微软拼音输入法 2003 ( 可录入 GBK 简繁体汉字
21003 个) MS Office 2003 自带 2、王码五笔 18030
(可录入 GB18030 汉字 27533 个) (内含王码拼音 2002，可录入 GBK 汉字 21003 个)
3、海峰五笔输入法 9.0 版 (可录入 70244 个汉字)
字体文件：UniFonts。内含：采采卷耳制作的宋体全汉字集。

4、菩提五笔 Unicode 单字版 (可录入 70244 个汉字) 5、新概念五笔输入法 (可录入 70244 个汉字)
中文字符集、编码、字体、输入法对照表
字符集 GB2312 编码 GB2312 字体 楷体-GB2312、仿宋GB2312、华文行楷等 市面上绝大多数字体 支持显示这个字符集 输入法 大多数输入法 备注 收入汉字 6763 个， 符号 715 个， 总计 7478 个字 符。所谓的繁体 字体，其实采用 的 是 GB2312 字符集简体字 的编码，用字体 显示为繁体字， 而不是直接用 GBK 字符集中 繁体字的编码 收入 13060 个繁 体汉字，808 个 符 号 ， 总 计 13868 个字符， 目前普遍使用 于台湾、香港等 地区。 GBK 字符集， 又称大字符集 (GB=GuóBiāo 国标， K=扩展)， 包含以上两种 字符集汉字，收 入 21003 个 汉 字， 882 个符号， 共计 21885 个 字符，包括了中 日韩 (CJK) 统 一 汉字 20902 个、 扩 展 A 集 (CJK Ext-A) 中 的汉字 52 个。
BIG5
BIG5
台湾教育部标准宋体 楷体等港台大多数字 体支持这个字符集的 显示。
大多数输入法
GBK
Windows 95\98 简 体 中文 版就带有这个 GBK.txt 文件。宋体、 隶书、黑体、幼圆、 华文中宋、 华文细黑、 华文楷体、标楷体 (DFKai-SB) 、 Arial Unicode MS 、 MingLiU 、 PMingLiU 等字体支持显示这个 字符集。
微软拼音输入 法 2003、 全拼、 紫光拼音等输 入法，能够 录 入如镕镕炁夬 喆嚞姤赟赟? 龑昳堃慜靕臹 等 GBK 简繁 体汉字。

GB18030
GB18030
宋体 -18030 、方正楷 体 (FZKai-Z03)、 书同 文楷体(MS Song)、香 港华康标准宋体 (DFSongStd)、华康香 港标准楷体、华康楷 书 体 、 New Gulim 、 CERG Chinese Font， 以 及 微 软 Windows Vista 操作系 统提供的宋黑楷仿宋 等字体亦支持这个字 符集的显示。 宋体-方正超大字符 集支持这个 字符集 的显示。 Microsoft Office XP 或 2003 就自带有这 个字体。若要单独安 装字体，选择：自定 义安装→选择应用程 序的高级自定义 → Microsoft Office → Office 共享功能→中 文字体→中文超大字 符集字体，点左键选 择 “ 从本机 运行全部 程序”， 其余内容用左 键点击选择不安装
可以用王码五 包含 GBK 字符 笔 18030 录入。 集 、 CJK Ext-A 全部 6582 个汉字， 共 计 27533 个 汉 字。 Windows 98 支持这个字符 集，以下的字符 集则不支持。
方正超大字符 集
海峰五笔、 新 概念五笔、仓 颉输入法世纪 版、新版的微 软新注音、仓 颉 输 入 法 6.0 版 ( 单码 功能)等输入 法录入
方正超大字符 集 ， 包 含 GB18030 字 符 集 、 CJK Ext-B 中的 36862 个汉 字，共计 64395 个汉字。 。
Unicode
Unicode UTF-8 UTF-16 UTF-32
SimSun- ExtB(宋体)、 MingLiU-ExtB( 细 明 体)能显示全部 Ext-B 汉字。至今尚无单独 一款字体能够显示全 部 70195 个汉字； UniSongGBK1.01 宋 体 - 全 汉 字 集 、 UniSongGBK1.01 宋 体-全汉字集；
海峰五笔、 新 概念五笔、仓 颉输入法世纪 版、新版的微 软新注音、仓 颉 输 入 法 6.0 版 ( 单码 功能)等输入 法录入
涵盖了世界上 主要语文的字 符，其中包 括 简繁体汉字，计 有：CJK 统一汉 字 20902 个 ， CJK Ext-A 6582 个， Ext-B 42711 个，共计 70195 个 汉 字 。 Ext-C 还有 2 万多个汉 字。

常用字符集编码详解：ASCII 、GB2312、GBK、GB18030、...

ASCII ASCII码是7位编码，编码范围是0x00-0x7F。ASCII字符集包括英文字母、阿拉伯数字和标点符号等字符。其中0x00-0x20和0x7F共33个控制字符。 只支持ASCII码的系统会忽略每个字节的最高位，只认为低7位是有效位。HZ字符编码就是早期为了在只支持7位ASCII系统中传输中文而设计的编码。早期很多邮件系统也只支持ASCII编码，为了传输中文邮件必须使用BASE64或者其他编码方式。 GB2312 GB2312是基于区位码设计的，区位码把编码表分为94个区，每个区对应94个位，每个字符的区号和位号组合起来就是该汉字的区位码。区位码一般用10进制数来表示，如1601就表示16区1位，对应的字符是“啊”。在区位码的区号和位号上分别加上0xA0就得到了GB2312编码。 区位码中01-09区是符号、数字区，16-87区是汉字区，10-15和88-94是未定义的空白区。它将收录的汉字分成两级：第一级是常用汉字计3755个，置于16-55区，按汉语拼音字母/笔形顺序排列；第二级汉字是次常用汉字计3008个，置于56-87区，按部首/笔画顺序排列。一级汉字是按照拼音排序的，这个就可以得到某个拼音在一级汉字区位中的范围，很多根据汉字可以得到拼音的程序就是根据这个原理编写的。 GB2312字符集中除常用简体汉字字符外还包括希腊字母、日文平假名及片假名字母、俄语西里尔字母等字符，未收录繁体中文汉字和一些生僻字。可以用繁体汉字测试某些系统是不是只支持GB2312编码。 GB2312的编码范围是0xA1A1-0x7E7E，去掉未定义的区域之后可以理解为实际编码范围是0xA1A1-0xF7FE。 EUC-CN可以理解为GB2312的别名，和GB2312完全相同。 区位码更应该认为是字符集的定义，定义了所收录的字符和字符位置，而GB2312及EUC-CN是实际计算机环境中支持这种字符集的编码。HZ和ISO- 2022-CN是对应区位码字符集的另外两种编码，都是用7位编码空间来支持汉字。区位码和GB2312编码的关系有点像Unicode和UTF-8。 GBK GBK编码是GB2312编码的超集，向下完全兼容GB2312，同时GBK收录了Unicode基本多文种平面中的所有CJK汉字。同GB2312一样，GBK也支持希腊字母、日文假名字母、俄语字母等字符，但不支持韩语中的表音字符（非汉字字符）。GBK还收录了GB2312不包含的汉字部首符号、竖排标点符号等字符。 GBK的整体编码范围是为0x8140-0xFEFE，不包括低字节是0×7F的组合。高字节范围是0×81-0xFE，低字节范围是0x40-7E和0x80-0xFE。

字符编码方式介绍及编码方式测试

第一部分编码方式介绍 一、编码： 美国标准信息交换标准码( , ) 在计算机内部，所有地信息最终都表示为一个二进制地字符串.每一个二进制位（）有和两种状态.一个字节（）共由八个二进制位来组成，共有种状态，从到. 阿拉伯数字、英文字母、标点符号等这些字符，怎么定义才能让计算机识别呢？因为计算机只识别二进制位和，所以以上这些字符就必须与二进制位（和）建立关系，才能让计算机识别. 年代初，计算机界制定了一套统一地字符编码，来表示字符与二进制位之间地关系.这种统一地字符编码就叫做编码.码一共规定了个字符地编码，比如空格是（二进制），大写地字母是（二进制）.这个符号（包括个不能打印出来地控制符号），只占用了一个字节地后面位，最前面地位统一规定为. 在英语国家，个编码足以表达所有字符，但其它非英语国家，字符不是由英文字符组成，这样就需要增加编码以表达这些字符，对于超过个字符地编码被称为非编码.比如：在中国，我们用简体中文，字符编码方式为.个人收集整理勿做商业用途 二、编码： 看到上面地介绍后，我们了解了最早编码是码.它只用个二进制位来表示，由于那个时期生产地大多数计算机使用位大小地字节，因此用户不仅可以存放所有可能地字符，而且有整整一位空余下来.如果你技艺高超，可以将该位用做自己离奇地目地：中那个发暗地灯泡实际上设置这个高位，以指示一个单词中地最后一个字母，同时这也宣示了只能用于英语文本. 由于字节有多达位地空间，因此许多人在想：“呀！我们可以把之间地编码用做个人地应用目地.”问题在于，同时产生这种想法地人相当多，而且在之间地各个位置上应该存放什么这一问题上，真是仁者见仁智者见智.事实上，只要人们开始在美国以外地地方购买计算机，那么各种各样地不同字符集都会进入规划设计行列，并且各人都会根据自己地需要使用高位地个字符.如此一来，甚至在同语种地文档之间就不容易实现互换. 可被扩展，最优秀地扩展方案是，通常称之为.包括了足够地附加字符集来写基本地西欧语言. 最后，这个人参与地终于以标准地形式形成文件.在标准中，每个人都认同如何使用低端地个编码，这与相当一致.不过，根据所在国籍地不同，处理编码以上地字符有许多不同地方式.这些不同地系统称为代码页. 同时，甚至更为令人头疼地事情正在逐步上演，亚洲国家地字符表有成千上万个字符，这样地字符表是用位二进制无法表示地.该问题地解决通常有赖于称为（，双字节字符集）地繁杂字符系统. 不过，仍然需要指出一点，多数人还是姑且认为一个字节就是一个字符，以及一个字符就是个二进制位，并且只要确保不将字符串从一台计算机移植到另一台计算机，或者说一种以上地语言，那么这几乎总是可以凑合.当然，只要一进入，从一台计算机向另一台计算机移植字符串就成为家常便饭了，而各种复杂状况也随之呈现出来.令人欣慰地是，随即问世了.个人收集整理勿做商业用途 字符集（简称为）,国际标准组织于年月成立工作组，针对各国文字、符号进行统一性编码.年美国跨国公司成立，并于年月与达成协议，采用同一编码字集.目前是采用位编码体系，其字符集内容与地（）相同.于年月通过（），目前版本于公布，内容包含符号个，汉字个，韩文拼音个，造字区个，保留个，共计个.编码后地大小是一样地.例如一个英文字母"" 和一个汉字"好"，编码后都是占用地空间大小是一样地，都是两个字节！个人收集整理勿做商业用途 可以用来表示所有语言地字符，而且是定长双字节（也有四字节地）编码，包括英文字

信息交换用汉字编码字符集

〇信息交换用汉字编码字符集--基本集〈—即国家标准 GB2312-80 从1975年开始，我国为了研究汉字的使用频度，进行了大规模的字频统计工作，内容包括工业、农业、军事、科技、政治、经济、文学、艺术、教育、体育、医药卫生、天文地理、自然、化学、文字改革、考古等多方面的出版物，在数以亿计的浩瀚文献资料中，统计出实际使用的不同的汉字数为6335个，而其中有3000多个汉字的累计使用频度达到了99.9%，而另外的3000多个累计频度不到0.1%，说明了常用汉字与次常用汉字的数量不足7000个，这就为国家制定汉字库标准提供了依据。 1980年颁布了〇信息交换用汉字编码字符集—基本集〈的国标交换码，国家标准号为：GB2312-80，选入了6763个汉字，分为两级，一级字库中有3755个，是常用汉字，二级字库中有3008个，是次常用汉字；还选入了682个字符，包含有数字、一般符号、拉丁字母、日本假名、希腊字母、俄文字母、拼音符号、注音字母等。以前我国大陆的各种中文DOS版本、Windows3.1 /3.2版本，装入的字库都是国标一二级字库。 〇GB2312-80〈对 7445 个图形字符作了二进制数编码，这些图形字符是： 6763 个汉字，字体为简化字，分成两级。第一级汉字 3755 个，按拼音排序，约占近代文献汉字累计使用频度 99.9% 左右；二级汉字 3008 个，按部首、笔画排序。一、二级汉字约占累计使用频度 99.99% 以上。 202 个一般符号。其中包括 1.～20.,(1)～(20)，?～?，(-)～(+) 等。 22 个数字。其中 0～9 共 10 个，‥～‰ 共 12 个。 52 个拉丁字母。其中大写字母A～Z 26 个，小写字母a～z 26 个。 169 个日文假名。其中平假名 83 个，片假名 86 个。 48 个希腊字母。其中大写字母Α～Χ24 个，小写字母α～ω24 个。 66 个俄文字母。其中大写字母А～Я33 个，小写字母а～я 33 个。 26 个汉语拼音符号，包括带声调符号和其它符号的字母。 37 个汉语注音字母，?～ㄗ。 GB2312简体中文编码表 code +0 +1 +2 +3 +4 +5 +6 +7 +8 +9 +A +B +C +D +E +F A1A0 、。? í ì ¨ 〃?—～‖ … ‘ ’ A1B0 “ ” 【】々〆〇〈〉《》「〒〓」『 A1C0 a ? ? ? ? ￣ ? ? ? ? ‵ ? ? ? ? ※ A1D0 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? A1E0 ? ? ? ? ? ? ? ＄¤ ??? § ? ? ? A1F0 ? ? ? ? ? ? ? ? ? ? ″ ? ′ ? 』 code +0 +1 +2 +3 +4 +5 +6 +7 +8 +9 +A +B +C +D +E +F A2A0 ⅰ ⅱ ⅲ ⅳ ⅴ ⅵ ⅶ ⅷ ⅸ ⅹ A2B0 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

常用字符集介绍和编码转换原理

常用字符集介绍和编码转换原理 目录 1. GB2312编码介绍 (2) 1.1 基本信息 (2) 1.2 GB标准 (2) 1.3 分区表示 (2) 1.4 字节结构 (2) 2. 通用字符集UCS (3) 2.1 定义 (3) 2.2 概要 (3) 2.3 实现级别 (3) 2.4 与UNICODE的兼容关系 (3) 3. unicode编码介绍 (3) 3.1 基本简介 (4) 3.2 编码实现 (4) 3.2.1 编码方式 (4) 3.2.2 实现方式 (5) 4. UTF-8介绍 (5) 4.1 基本介绍 (5) 4.2 编码原理 (5) 4. 转换原理 (7)

1. GB2312编码介绍 1.1 基本信息 1.2 GB标准 GB2312或GB2312-80是一个简体中文字符集的中国国家标准，全称为《信息交换用汉字编码字符集·基本集》，又称为GB0，由中国国家标准总局发布，1981年5月1日实施。GB2312编码通行于中国大陆；新加坡等地也采用此编码。中国大陆几乎所有的中文系统和国际化的软件都支持GB2312。 GB2312标准共收录6763个汉字，其中一级汉字3755个，二级汉字3008个；同时，GB2312收录了包括拉丁字母、希腊字母、日文平假名及片假名字母、俄语西里尔字母在内的682个全角字符。 GB2312的出现，基本满足了汉字的计算机处理需要，它所收录的汉字已经覆盖中国大陆99.75%的使用频率。 对于人名、古汉语等方面出现的罕用字，GB2312不能处理，这导致了后来GBK及GB18030汉字字符集的出现。 1.3 分区表示 GB 2312中对所收汉字进行了―分区‖处理，每区含有94个汉字/符号。这种表示方式也称为区位码。 01-09区为特殊符号。 16-55区为一级汉字，按拼音排序。 56-87区为二级汉字，按部首/笔画排序。 10-15区及88-94区则未有编码。 举例来说，―啊‖字是GB2312之中的第一个汉字，它的区位码就是1601。 1.4 字节结构

《统一的中日韩汉字编码字符集》(CJK)字根系统研究

《统一的中日韩汉字编码字符集》（CJK）字根系统研究 《统一的中日韩汉字编码字符集》（CJK）作为新的汉字信息处理国际标准，使汉字信息处理向国际化方向迈出了重要的一步，对汉字字形的定量定性研究也提出了更高的要求。在此基础上，依靠计算机字形技术的支持，采用字根分解与合成的方法，有可能表示出CJK的全部字符从而实现其无字库化处理。因此，研究CJK字根系2统，对于CJK的工程应用具有重要作用。 中日韩汉字字形有别而音义互异，但都是可分析的文字，其基本构形单位都是笔画或字根，因此，字根分析法对其同样适用。本文认为，要得出一个较为科学的CJK字根系统，在理论和实践上必须着重解决两个问题，一个是笔画与字根的分野即单笔字根的问题，另一个就是字根变体的问题。本文主要分析了CJK的单笔字根和字根变体，并对统计得出的CJK676个字根的有关数据进行了系统的分析，希望能为CJK的相关研究提供参考。 一、CJK的单笔字根 （一）为什么要提出"单笔字根" 字根是汉字字符的直接构形成分，是可以独立运用的最小构形单位。一般说来，字根包含两个以上笔画，但当单一笔画与字根直接参与汉字字符构形时，这一笔画由于具备了字根的价值和功能而上升到字根层级，称为"单笔字根"。提出这一概念主要基于以下考虑： 1、汉字字符的构形成分中确实存在许多相对独立的单一笔画，归入邻近的任一字根都不合适，CJK中就有400多个字符包含这种笔画。如果说汉字字符都是由作为笔画组合体的字根构成的，显然不符合事实；如果说汉字字符是由字根与笔画组成的，固然也未尝不可，但这样就难以清晰地体现字符构形的层级性，故"单笔字根"的提出有其现实的必要性。 2、CJK字符集收入了"一丨丶丿乀乁乙乚乛亅"十个单笔画的字符，如果不引入"单笔字根"的概念，则这十个字符无法进行字根分析。 3、适当拆出字符中的单笔字根，可以大大简化字根系统。 （二）如何析出单笔字根 笔画与字根毕竟是不同层级的构形成分，因此单笔字根以尽量少析出为宜。我们在分析CJK单笔字根的过程中，主要采用了以下方法： 1、某一单笔画如果与字符中其它笔画处于相交或相接的关系，则不能析为单笔字根。如"子、孑、孓"都是由字根"了"与单笔画相交或相接而成，故不再析出单笔字根。 2、如果单笔画与字符中其它笔画均处于相离的关系，则根据以下情况处理： （1）对于点笔来说，若其与某一字根呈内聚之势，且作为整体具有构字能力，则合为一个字根，如"犬、太、刃、玉"等；反之，若作为整体无构字能力，则立点笔为单笔字根，如"乓"。这样处理可使字根系统的层级性得以体现，同时也照顾了通常的字根拆分习惯。 （2）如果某一单笔画用另一笔画或字根替换后成了另一字符，则只能析为单笔字根，如"糺"中的"乚"替换为"工"后成了另一字符"紅"，因此"乚"为单笔字根。能用这种方法来判断的单笔字根在CJK单笔字根中约占24%。 （3）偏旁部首通常使用频率较高，一般作为整体进入字根系统，不再拆出单笔字根，如"纟"、"刂"、"寸"、"灬"等。 为简化字根系统，有时也需要作变通处理，如"示"中与第一横笔相邻的也不是分笔字根，但将其析出后，余部分无构字能力，为简化字根系统，"示"拆为"二、小"，不涉及单笔字根问题。 （三）CJK的单笔字根统计 我们采用上述方法得出了CJK单笔字根的有关数据，详见下表： 如果把提归入横，捺归入点，竖钩归入竖，其它的归入折，则五种基本笔画在CJK中

字符集与编码

字符集与编码 一.字符集与编码之间的关系 1.为了在计算机中存储与处理，必须对字符进行数字化编码。 2.字符集规定了包含哪些字符，每个字符的值是什么 3.编码规定了对于这些值，如何存储 4.有些标准同时规定了字符集及其编码 如：目前使用最广泛的西文字符集及其编码是ASCII 字符集和ASCII码（ASCII是American Standard Code for Information Interchange的缩写），它同时也被国际标准化组织（International Organization for Standardization, ISO）批准为国际标准 5.有些标准同一个字符集可以有多种编码格式 二.字符集及编码 1.SBCS （single byte character set） 1.1 ASCII （1）.7位编码，范围0x00-0x7F （2）.码值32-127(0x20-0x7F) （3）.0x00-0x1F 之间的为控制字符，每个字符有一个缩写的名字 （4）.数字，大写字母，小写字母的编码都是连续的 目前使用最广泛的西文字符集及其编码是 ASCII 字符集和 ASCII 码（ ASCII 是American Standard Code for Information Interchange 的缩写），它同时也被国际标准化组织（ International Organization for Standardization, ISO ）批准为国际标准。 基本的 ASCII 字符集共有 128 个字符，其中有 96 个可打印字符，包括常用的字母、数字、标点符号等，另外还有 32 个控制字符。标准 ASCII 码使用 7 个二进位对字符进行编码，对应的 ISO 标准为 ISO646 标准。下表展示了基本 ASCII 字符集及其编码： 字母和数字的 ASCII 码的记忆是非常简单的。我们只要记住了一个字母或数字的ASCII 码（例如记住 A 为 65 ， 0 的 ASCII 码为 48 ），知道相应的大小写字母之间差 32 ，就可以推算出其余字母、数字的 ASCII 码。 虽然标准 ASCII 码是 7 位编码，但由于计算机基本处理单位为字节（ 1byte = 8bit ），所以一般仍以一个字节来存放一个 ASCII 字符。每一个字节中多余出来的一位（最高位）在计算机内部通常保持为 0 （在数据传输时可用作奇偶校验位）。 由于标准 ASCII 字符集字符数目有限，在实际应用中往往无法满足要求。为此，国际标准化组织又制定了 ISO2022 标准，它规定了在保持与 ISO646 兼容的前提下将ASCII 字符集扩充为 8 位代码的统一方法。 ISO 陆续制定了一批适用于不同地区的扩充 ASCII 字符集，每种扩充 ASCII 字符集分别可以扩充 128 个字符，这些扩充字符

计算机常见编码

计算机常见编码 一．有关编码的基础知识 1. 位bit 最小的单元 字节byte 机器语言的单位 1byte=8bits 1KB=1024byte 1MB=1024KB 1GB=1024MB 2. 二进制binary 八进制octal 十进制decimal 十六进制hex 3. 字符：是各种文字和符号的总称，包括各个国家的文字，标点符号，图形符 号，数字等。 字符集：字符集是多个符号的集合，每个字符集包含的字符个数不同。 字符编码：字符集只是规定了有哪些字符，而最终决定采用哪些字符，每一 个字符用多少字节表示等问题，则是由编码来决定的。计算机要 准确的处理各种字符集文字，需要进行字符编码，以便计算机能 够识别和存储各种文字。 二．常见字符集的编码介绍： 常见的字符集有：ASCII 字符集，GB2312 字符集，BIG5 字符集，GB18030 字符集，Unicode 字符集，下面一一介绍： 1. ASCII 字符集： 定义： 美国信息互换标准代码，是基于罗马字母表的一套电脑编码系统，主要显示 英语和一些西欧语言，是现今最通用的单字节编码系统。 包含内容： 控制字符（回车键，退格，换行键等） 可显示字符（英文大小写，阿拉伯数字，西文符号） 扩展字符集（表格符号，计算符号，希腊字母，拉丁符号） 编码方式： 第0-31 号及127 号是控制字符或通讯专用字符； 第32-126 号是字符，其中48-57 号为0-9 十个阿拉伯数字，65-90 号为26 个 大写英文字母，97-122 号为26 个英文小写字母，其余为一些标点符号，运 算符号等。 在计算机存储单元中，一个ASCII 码值占一个字节（8 个二进制位），最高位 是用作奇偶检验位。【奇偶校验是指：在代码传送的过程中，用来检验是否 出错的一种方法。】奇偶校验分为奇校验和偶校验。奇校验规定：正确的代 码一个字节中1 的个数必须是奇数，若非奇数，则在最高位添1；偶校验规 定：正确的代码一个字节中 1 的个数必须是奇数，若非奇数，则在最高位添 1。

国家标准信息技术汉字编码字符集基本集-全国信息技术标准化

《信息技术通用编码字符集（基本多文种平面）汉字15×16点阵字型》(征求意见稿)编制说明 一、工作简况 1、任务来源 随着信息技术的不断发展，中文信息技术产品所使用硬件设备得到提升，中文信息处理设备对点阵字型出现了新的需求，为了满足信息处理设备对15×16点阵的需求，国家标准化管理委员会在2015年第三批“制、修订国家标准项目计划”中安排了本标准的制定工作，计划代号为20153659-T-469，标准名称为《信息技术通用编码字符集（基本多文种平面）汉字15×16点阵字型》。 本标准由中国电子技术标准化研究院、北京仓颉博雅信息技术有限公司等单位负责起草，标准主要起草人有代红、熊涛等。 2、主要工作过程 标准计划任务下达后，由中国电子技术标准化研究院牵头成立了标准编制组和专家组，并制定了详细的标准研究实施方案。中国电子技术标准化研究院主要负责字型设计、组织协调和标准文本起草，北京仓颉博雅信息技术有限公司负责字型设计，火箭军装备研究院第四研究所和潍坊北大青鸟华光照排有限公司负责字型纠错修改，专家组负责字型审查工作。 按照标准实施方案的要求，标准编制组于2016年6月底，分批提供了15×16点阵字型的设计初稿，并将字型设计初稿提供给字型专家审查，在设计点阵字型时对有疑问的字进行查证讨论，做到每个字的修改确定有据可查。根据字型专家提出的修改意见，标准编制组对字型设计初稿进行修改，于2017年7月底前完成了对字型设计初稿的修改整理。在对字型设计稿修改的同时，标准编制组还进行了标准文本的起草工作，2017年10月完成了标准草案。2017年11月标准草案提交中国电子技术标准化研究院进行标准专家内审，标准起草组根据标准内审专家提出的意见对草案进行修改，形成了标准的征求意见稿，现向各位征求意见。 3、标准编制的主要成员单位及其所做的工作 本标准由中国电子技术标准化研究院、北京仓颉博雅信息技术有限公司、火箭军装备研究院第四研究所等单位负责起草。中国电子技术标准化研究院主要负责标准文本的起草、标准研究的组织协调，北京仓颉博雅信息技术有限公司负责

中文字符集、编码

前言
由于工作的需要，参考了好多资料整理出来一份计算机汉字处理报告，不敢独享，希 望与大家共享。Ziggler 现代计算机技术虽然先进， 但大多数人只知录入 GB-2313 字符集内的 6763 个简体汉字， 对包含 21003 个简繁体汉字的 GBK 字符集的文字录入、字体 显示就已不甚了解（市面上 绝大多数所谓的繁体字体，其实采用的是 GB2313 字符集简体字的编码，用字体显示为繁体 字，而不是直接用 GBK 字符集中繁体字 的编码，错误百出） 。而汉字总数至少有近 10 万 个，目前计算机能处理的，也有 70244 个，已非一般人所能知能用了。 由于汉字总数非常庞大。 汉字总共有多少字？到目前为止， 恐怕没人能够答得上来精确 的数字。据估计，汉字数量达到 11 万左右。 这里所说的七万多汉字， 是指 UNICODE 超大字集全部七万多中日韩汉字。 （注： Unicode 是指用两个字节表示每个字符的字符编码方案。 ） 那一般计算机能够显示多少个汉字呢？比如大陆这边普遍安装简体 Windows 系统，而 简体 windows 以宋体为系统字型，宋体支持 GBK 编码，所以能显示 20902 个汉字。 要显示 71564 个汉字， 可以采取多种方案， 如： 宋体-方正超大字符集+新细明体 EXTB、 宋体-方正超大字符集+中易宋体 EXTB、宋体 GB18030+新细明体 ExtB、宋体 18030+宋体 ExtB 等等。
中文字符集、编码
字符是各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等。字符 集是多个字符的集合，字符集 种类较多，每个字符集包含的字符个数不同。 计算机要准确的处理各种字符集文字， 需要进行字符编码， 以便计算机能够识别和存储 各种文字。 中文文字数目大， 而且还分为简体中文和繁体中文两种不同书写规则的文字， 而计算机 最初是按英语单字节字符设计的， 因此， 对中文字符进行编码， 是中文信息交流的技术基础。 以下是常见的一些字符集介绍，部分字符集中包括编码介绍。
GB2312 字符集
1．名称的由来 GB2312 又称为 GB2312-80 字符集，全称为《信息交换用汉字编码字符集·基本集》 ，由原中 国国家标准总局发布，1981 年 5 月 1 日实施。 2．特点 GB2312 是中国国家标准的简体中文字符集。它所收录的汉字已经覆盖 99.75%的使用频率，

编码字符集标准及分类研究_谢谦

中　文　信　息　学　报 第20卷第5期　J OURNAL OF CH I NESE I NF OR MATI O N P ROCESSI NG V ol.20N o.5文章编号:1003-0077(2006)05-0083-08 编码字符集标准及分类研究 谢　谦1,2,芮建武1,吴　健1 (1.中国科学院软件研究所开放系统与中文信息处理中心,北京　100080;2.河南大学计算机与 信息工程学院,河南开封　475001) 摘要:编码字符集标准是计算机处理文字信息的基础,本文提出了编码字符集三元组抽象,对现有编码字符集标准进行了简单回顾和总结,深入剖析了影响巨大的ISO2022标准及其派生标准,对ISO2022编码机制应用于多语言环境的局限性进行了探讨,阐明了使用通用编码字符集UCS的必要性,并对其进行了分析。探讨了现有编码分类方法存在的问题,引入了一种对编码字符集以及实现方法进行分类的新方法,使用该方法对现有标准进行了归类;最后对汉字字符集相关的国家标准进行了分析评介。 关键词:计算机应用;中文信息处理;编码字符集 中图分类号:TP391 文献标识码:A Research on Coded Character Set Standards and C lassification X I E Q ian1,2,RU I Jian-wu1,W U Jian1 (1.Open Syste m and Ch i nes e Infor m ati on Processi ng Cen ter,Institute of Soft w are,C h i nes e A cade m y of S ci en ces,B eiji ng100080, Ch i na;2.S chool of Compu t er and In for m ation Engineeri ng,H enan Un i versity,Kaifeng,H enan475001,Ch ina) Ab strac t:Coded character se t standa rd are t he base s of t he co m puter t ex t infor m ati on processing.In t his pape r,a3-turples m ode l is proposed t o descibe the coded character se.t The ex isting code standards are reviewed and su mma-rized.A nd t he ISO2022and it's deriv i ng standards are ana l y zed in de tail;incl uding the li m ita tion o f u tilizi ng IS O 2022in m ultili ngua l env iron m en.t N ecessit y o f foundi ng UCS(U niversa lCha racter Se t)is present ed,a long w it h an outline ana l y sis o f UCS.A ft e r eva l uating current c l assifica tion m e t hods o f coded character set standa rds,a new m eth-od is produced w ith applica tion i n ca talogu i ng existing standa rds.W e c l o se ou r paper w ith a brief ana l ysis of i m po r-tan t Chinese na tiona l st andards on Han character se.t K ey word s:compu t e r applicati on;Ch i nese inf o r m ati on processing;coded character se t 计算机应用从单纯的科学计算转向信息处理,是引发二十世纪信息革命的里程碑事件,而支撑这一转变的重要基础就是字符编码;通过制定字符编码标准,在人能理解的文字信息与计算机内部表达之间建立了一个基本的沟通桥梁,直到今天,基于文字的交互途径仍然是最主要的人机界面。正如Unicode标准中所言[1],“对计算机软件系统而言,字符编码就像螺钉和螺母———虽然微小,却以各种方式被普遍使用。” 收稿日期:2005-07-08　定稿日期:2006-05-22 基金项目:国家863计划资助项目(2003AA1Z2110);中国科学院知识创新工程资助项目(KGCX2-S W-504) 作者简介:谢谦(1968—),男,博士生,主要研究领域为系统软件国际化,X W i ndow系统,L inux标准化.

计算机中最常用的字符信息编码是(

练习题 第1章 1-1选择： 1.计算机中最常用的字符信息编码是（） A ASCII B BCD码 C 余3码 D 循环码 2．要MCS-51系统中，若晶振频率8MHz，一个机器周期等于( ) μs A 1.5 B 3 C 1 D 0.5 3.MCS-51的时钟最高频率是( ). A 12MHz B 6 MHz C 8 MHz D 10 MHz 4．以下不是构成的控制器部件（）： A 程序计数器、B指令寄存器、C指令译码器、D存储器 5．以下不是构成单片机的部件（） A 微处理器（CPU）、B存储器C接口适配器（I＼O接口电路） D 打印机6．下列不是单片机总线是（） A 地址总线 B 控制总线 C 数据总线 D 输出总线 7.-49D的二进制补码为.( ) A 11101111 B 11101101 C 0001000 D 11101100 8.十进制29的二进制表示为原码（） A 11100010 B 10101111 C 00011101 D 00001111 9. 十进制0.625转换成二进制数是（） A 0.101 B 0.111 C 0.110 D 0.100 10 选出不是计算机中常作的码制是（） A 原码 B 反码C补码 D ASCII 1-2填空 1.计算机中常用的码制有。 2.十进制29的二进制表示为。 3.十进制数-29的8位补码表示为. 。 4.单片微型机、、三部分组成. 5.若不使用MCS-51片内存器引脚必须接地. 6. 是计算机与外部世界交换信息的载体. 7.十进制数-47用8位二进制补码表示为. 。 8.-49D的二进制补码为. 。 9.计算机中最常用的字符信息编码是。 10．计算机中的数称为机器数，它的实际值叫。 1-3判断 1.我们所说的计算机实质上是计算机的硬件系统与软件系统的总称。（） 2.MCS-51上电复位时，SBUF=00H。（）。SBUF不定。 3.使用可编程接口必须处始化。（）。 4．8155的复位引脚可与89C51的复位引脚直接相连。（）

关于字符集和乱码的思考

关于字符集和乱码的思考 关于字符集和乱码的思考2011-12-12 16:05:58 分类：Delphi 重要提示：本文并非学术文章，本人也并非语言和文字学领域人士，只是出于好奇心，根据自己的理解写下这篇文章。本文的参考文档都来源于互联网，而且并未一一考证其准确性和权威性，因此本文仅供参考。 字符集和字符编码的问题一直困扰着我，之间曾经多次尝试把这个问题理解清楚，但始终由于有些细节问题无法自圆其说因而放弃。网上的资料多数描述过于简单，又或者作者本人对问题也了解不深入，容易产生误导。最近我终于下定决心将之前对“乱码”问题的思考更进一步，否则将始终是一丝遗憾。这里也不得不感叹，老外的“科普”做的好啊，网上有很多质量相当高的文章，表述严密，引用充分，例证丰富，我相信在国内各领域的专家也不少，计算机和语言学方

面都有很多有建树的大牛，也许是太忙吧。对我个人而言，最重要的一片文章是“Character set encoding basics”，在本文最后有链接的地址，本人的翻译版本在这里： https://www.wendangku.net/doc/5813272978.html,/space.php?uid=11187&do=b log&id=3034493 1.字符集的基本概念 什么是字符集？什么是字符编码？ 按照“Character set encoding basics”文中的定义，字符集的编码模型分为以下4个层次 1）抽象字符清单Abstract character repertoire (ACR)，无序，无编码； 2）已编码字符集Coded character set (CCS)，有序，有编码； 3）字符编码规则Character encoding form (CEF)，有序，有编码； 4）字符编码方案Character encoding scheme (CES)，有序，有编码，有传输和储存规则（字节序）； 这种分层方式，比较偏于学术化，不太容易理解。按我个人的理解，GB2312/GBK/GB18030/ASCII这些字符集编码规则，由于都基于8-bit字节，是属于前三层的，可以认为是三

UTF8与GBK字符编码之间的相互转换

UTF8与GBK字符编码之间的相互转换 C++ UTF8编码转换CChineseCode 一预备知识 1，字符：字符是抽象的最小文本单位。它没有固定的形状（可能是一个字形），而且没有值。“A”是一个字符，“€”（德国、法国和许多其他欧洲国家通用货币的标志）也是一个字符。“中”“国”这是两个汉字字符。字符仅仅代表一个符号，没有任何实际值的意义。 2，字符集：字符集是字符的集合。例如，汉字字符是中国人最先发明的字符，在中文、日文、韩文和越南文的书写中使用。这也说明了字符和字符集之间的关系，字符组成字符集（iso8859-1，GB2312/GBK，unicode）。 3，代码点：字符集中的每个字符都被分配到一个“代码点”。每个代码点都有一个特定的唯一数值，称为标值。该标量值通常用十六进制表示。 4，代码单元：在每种编码形式中，代码点被映射到一个或多个代码单元。“代码单元”是各个编码方式中的单个单元。代码单元的大小等效于特定编码方式的位数：UTF-8 ：UTF-8 中的代码单元由8 位组成；在UTF-8 中，因为代码单元较小的缘故，每个代码点常常被映射到多个代码单元。代码点将被映射到一个、两个、三个或四个代码单元；UTF-16 ：UTF-16 中的代码单元由16 位组成；UTF-16 的代码单元大小是8 位代码单元的两倍。所以，标量值小于 U+10000 的代码点被编码到单个代码单元中；UTF-32：UTF-32 中的代码单元由32 位组成；UTF-32 中使用的32 位代码单元足够大，每个代码点都可编码为单个代码单元；GB18030：GB18030 中的代码单元由8 位组成；在GB18030 中，因为代码单元较小的缘故，每个代码点常常被映射到多个代码单元。代码点将被映射到一个、两个或四个代码单元。 5，举例：“中国北京香蕉是个大笨蛋”这是我定义的aka字符集； 各字符对应代码点为： 北00000001 京00000010 香10000001 蕉10000010 是10000100 个10001000 大10010000 笨10100000 蛋11000000 中00000100 国00001000 下面是我定义的zixia 编码方案（8位），可以看到它的编码中表示了aka字符集的所有字符对应的代码单元； 北10000001 京10000010 香00000001 蕉00000010 是00000100 个00001000 大00010000 笨00100000 蛋01000000 中10000100 国10001000 所谓文本文件就是我们按一定编码方式将二进制数据表示为对应的文本如00000001000000100000010000001000000100000010000001000000这样的文件。我用一个支持zixia编码和aka字符集的记事本打开，它就按照编码方案显示为“香蕉是个大笨蛋” 如果我把这些字符按照GBK另存一个文件，那么则肯定不是这个，而是1100111111100011

常用字符集编码详解：ASCII、GB2312、GBK、GB18030、...

ASCII ASCII 码是7位编码，编码范围是0x00-0x7F ASCII 字符集包括英文字母、 阿拉伯数字和标点符号等字符。其中 0x00-0x20和0x7F 共33个控制字符。 只支持ASCI 码的系统会忽略每个字节的最高位，只认为低 7位是有效位。 HZ 字符编码就是早期为了在只支持 7位ASCII 系统中传输中文而设计的编码。 早期很多邮件系统也只支持ASCII 编码，为了传输中文邮件必须使用 BASE64或 者其他编码方式。 GB2312 GB2312是基于区位码设计的，区位码把编码表分为 94个位，每个字符的区号和位号组合起来就是该汉字的区位 码。 10进制数来表示，如 1601就表示 16区1 位，对应的字符是 区号和位号上分别加上0xA0就得到了 GB2312编 码。 区位码中 01-09区是符号、数字区， 16-87区是汉字区， 未定义的空白区。它将收录的汉字分成两级： 第一级是常用汉字计 3755 个，置于 16-55 区，按汉语拼音字母 /笔形顺序排 列；第二级汉字是次常用汉字计 3008 个，置于 56-87 区，按部首 /笔画顺序排 列。一级汉字是按照拼音排序的，这个就可以得到某个拼音在一级汉字区位中 的范围，很多根据汉字可以得到拼音的程序就是根据这个原理编写的。 GB2312字符集中除常用简体汉字字符外还包括希腊字母、日文平假名及片 假名字母、俄语西里尔字母等字符，未收录繁体中文汉字和一些生僻字。可以 用繁体汉字测试某些系统是不是只支持 GB2312编码。 GB2312的编码范围是0xA1-0x7E 去掉未定义的区域之后可以理解为实际 编码范围是 0xA1-0xF7FE 。 EUC-CN 可以理解为GB2312的别名，和GB2312完全相同。 区位码更应该认为是字符集的定义，定义了所收录的字符和字符位置，而 94个区，每个区对应 区位码一般用 “啊”。在区位码的 10-15和 88-94是

GB 18030《信息交换用汉字编码字符集基本集的扩充》

《信息交换用汉字编码字符集基本集的扩充》(2001-09-24) 国家标准ＧＢ１８０３０－２０００《信息交换用汉字编码字符集基本集的扩充》是我国继ＧＢ２３１２－１９８０和ＧＢ１３０００－１９９３之后最重要的汉字编码标准，是未来我国计算机系统必须遵循的基础性标准之一。 为保证该标准顺利贯彻执行，国家质监总局从９月１日起首先对影响广泛的计算机操作系统进行执法检查，凡不符合该标准的产品，视为不合格产品。为此，全国信息技术标准化技术委员会将根据有关标准和规范，组织对市场上主要的操作系统产品进行标准符合性检测。 检测要求及标准的制定 １．须经检测的产品范围 ＧＢ１８０３０是信息产品必须遵循的基础性标准，考虑到一些客观实际，采取从基础抓起，分步实施的策略。本次对必须经检测产品的范围规定如下： ●个人计算机操作系统产品须经标准符合性测试，其他产品暂不做要求； ●凡是在ＧＢ１８０３０发布日期（２０００年３月１７日）前正式发布或出厂的产品，视为历史性产品，不在ＧＢ１８０３０的监督检查范围之内； ●在２０００年３月１７日后对历史性产品的更新版本或升级版本作为新产品对待； ●凡是在ＧＢ１８０３０实施过渡期间（即２０００年３月１７日至２００１年８月３１日）正式发布或出厂的产品，应符合ＧＢ１８０３０相关要求。不符合标准要求的产品应采用补救措施，以达到符合标准的相关要求。补救措施应得到全国信息技术标准化技术委员会的认可； ●凡是在ＧＢ１８０３０过渡期（即２００１年８月３１日）后正式发布或出厂的产品，必须符合ＧＢ１８０３０相关要求。 ２．关于标准符合性测试 为了配合ＧＢ１８０３０的实施，信息处理产品标准符合性检测中心（设在信息产业部电子工业标准化研究所）开展了ＧＢ１８０３０各项测试的准备工作，并且对国内外多个产品进行了测试。 为了指导标准实现者沿着正确的方向尽快在产品上实现ＧＢ１８０３０，信息处理产品标准符合性检测中心于２０００年１１月提出了《ＧＢ１８０３０标准符合性检测规范》。《检测规范》对检测使用的软件和硬件环境、测试要求、测试步骤、适用范围等做了明确而详细的规定。 检测一般要求如下： ●字汇完整性：产品的字汇范围应是国家标准ＧＢ１８０３０中所有给出字形的字符； ●体系正确性：产品必须能够正确识别和处理按照国家标准ＧＢ１８０３０进行编码的文本文件。 需要说明的是：检测范围不包括嵌入系统，如ＰＤＡ、手机；单字节货币符号的编码不在检测范围之内；操作系统为近期检查重点。 ３．对少数民族文字的支持 ●产品应具备支持ＧＢ１８０３０所规定我国少数民族文字编码空间的能力； ●销往我国少数民族地区的产品，鼓励安装当地少数民族字体和输入方法。 ４．按国际惯例制定标准 ＧＢ１８０３０收录了２７４８４个汉字，总编码空间超过１５０万个码

字符编码之间的相互转换

字符编码之间的相互转换 UTF8与GBK C++ UTF8编码转换 CChineseCode 一预备知识 1，字符：字符是抽象的最小文本单位。它没有固定的形状（可能是一个字形），而且没有值。“A”是一个字符，“€”（德国、法国和许多其他欧洲国家通用货币的标志）也是一个字符。“中”“国”这是两个汉字字符。字符仅仅代表一个符号，没有任何实际值的意义。 2，字符集：字符集是字符的集合。例如，汉字字符是中国人最先发明的字符，在中文、日文、韩文和越南文的书写中使用。这也说明了字符和字符集之间的关系，字符组成字符集（iso8859-1，GB2312/GBK，unicode）。 3，代码点：字符集中的每个字符都被分配到一个“代码点”。每个代码点都有一个特定的唯一数值，称为标值。该标量值通常用十六进制表示。 4，代码单元：在每种编码形式中，代码点被映射到一个或多个代码单元。“代码单元”是各个编码方式中的单个单元。代码单元的大小等效于特定编码方式的位数： UTF-8 ：UTF-8 中的代码单元由 8 位组成；在 UTF-8 中，因为代码单元较小的缘故，每个代码点常常被映射到多个代码单元。代码点将被映射到一个、两个、三个或四个代码单元； UTF-16 ：UTF-16 中的代码单元由 16 位组成；UTF-16 的代码单元大小是 8 位代码单元的两倍。所以，标量值小于 U+10000 的代码点被编码到单个代码单元中； UTF-32：UTF-32 中的代码单元由 32 位组成； UTF-32 中使用的 32 位代码单元足够大，每个代码点都可编码为单个代码单元； GB18030：GB18030 中的代码单元由 8 位组成；在 GB18030 中，因为代码单元较小的缘故，每个代码点常常被映射到多个代码单元。代码点将被映射到一个、两个或四个代码单元。 5，举例：“中国北京香蕉是个大笨蛋”这是我定义的aka字符集；各字符对应代码点为：北 00000001 京 00000010 香 10000001 蕉 10000010 是 10000100 个 10001000 大 10 010000 笨 10100000 蛋 11000000 中 00000100 国 00001000 下面是我定义的 zixia 编码方案（8位），可以看到它的编码中表示了aka字符集的所有字符对应的代码单元； 北 10000001 京 10000010 香 00000001 蕉 00000010 是 00000100 个 00001000 大 00010000 笨 00100000 蛋 01000000 中 10000100 国 10001000 所谓文本文件就是我们按一定编码方式将二进制数据表示为对应的文本如 00000001000000100000010000001000000100000010000001000000这样的文件。我用一个支持 zixia编码和aka字符集的记事本打开，它就按照编码方案显示为“香蕉是个大笨蛋”如果我把这些字符按照GBK另存一个文件，那么则肯定不是这个，而是 1100111111100011 1011110110110110 1100101011000111 1011100011110110 101101001 1110011 1011000110111111 1011010110110000 110100001010 二，字符集 1，常用字符集分类 ASCII及其扩展字符集作用：表语英语及西欧语言。位数：ASCII是用7位表示的，能表示128个字符；其扩展使用8位表示，表示256个字符。范围：ASCII从00到7F，扩展从00到FF。 ISO-8859-1字符集作用：扩展ASCII，表示西欧、希腊语等。位数： 8位，范围：从00到FF，兼容ASCII字符集。 GB2312字符集作用：国家简体中文字符集，兼容ASCII。位数：使用2个字节表示，能表示7445个符号，包括6763个汉字，几乎覆盖所有高频率汉字。范围：高字节从A1到F7, 低字节从A1到FE。将高字节和低字节分别加上0XA0即可得到编码。 BIG5字符集作用：统一繁体字编码。位数：使用2个字节表示，表示13053个汉字。范围：高字节从A1到F9，低字节从40到7E，A1到FE。 GBK字符集作用：它是GB2312的扩展，加入对繁体字的支持，兼容GB2312。位数：使用2个字节表示，