1、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。
2、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。
3、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。
(相关资料图)
4、 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。
5、新加坡等地也使用此编码。
6、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。
7、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。
8、 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”。
9、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)。
10、 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。
11、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。
12、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。
13、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。
14、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。
15、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。
16、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。
17、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)。
18、GBK中有码位23940个，包含汉字21003个。
19、表1 汉字编码范围名称 第一字节 第二字节 GB2312 0xB0-0xF7(176-247) 0xA0-0xFE(160-254) GBK 0x81-0xFE(129-254) 0x40-0xFE(64-254) Big5 0x81-0xFE(129-255) 0x40-0x7E(64-126)0xA1-0xFE(161-254)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。
20、 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。
21、其中，C1表示第一字节，C2表示第二字节。
22、具体如下: GBindex = ((unsigned char)***.at(0)-176)*94 + (unsigned char)***.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。
23、 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。
24、 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。
25、判断是否是GB2312bool isGBCode(const string& strIn){ unsigned char ch1; unsigned char ch2;if (strIn.size() >= 2) { ch1 = (unsigned char)***.at(0); ch2 = (unsigned char)***.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)***.at(0); ch2 = (unsigned char)***.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。
26、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。
27、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。
28、这样一行上的汉字个数:(0x7E-0x40+1)+(0xFE-0xA1+1)=157。
29、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。
30、0x7E-0x40+1=63。
31、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。
32、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。
33、 例如，设输入字为strin，则， If (***.at(0) < 0) cout << ”是汉字” << endl; else cout << ”不是汉字” << endl;五、编码表下载 GBK编码表，下载 GB2312编码表，下载。
本文到此分享完毕，希望对大家有所帮助。
