|
汉字区位码查询与算法 收藏
汉字区位码查询与算法——microsoft visual studio 2005系列 www. 20060427 要从事学术研究，一定要学好数学，数学可以把对事物的描述精确化。 tuenhai为什么要学习编程？其中一个原因就是利用编程工具进行一些数学运算。 记得大约10年前，那时tuenhai还没有电脑，要进行大数计算，怎么办？那时就到处打听，哪里有数位多一些的计算器。一般计算器只有8位，多一些的12位，还是不够用。有一次和故人到大城市，总算打听到了超过12位的计算器，考虑再三，还是没有买下来（不知故人还有没有记得这件事，毕竟过去这么多年了）。 父亲把我们以前读过的教材，练习本都保存着，我把粘满灰尘的数学教材找出来，放在我的书房，有时还会去随便翻翻。
现在学校教育是彻头彻尾的失败。教育没有和实际结合，毕业不久，学过的知识就很多交还给老师了。想起来，学校教育至少浪费了我5年光阴，工作中又至少浪费了我8年光阴，从出生到现在，竟有近一半时间浪费掉了，实在可怕。 把学校教育批评得一无是处，那么理想的教育应该是怎么样的呢？
理想的教育应该是一切学科相通的，只有这样，知识才能活起来，学而即用，不用死记。这样的学习，只有快乐，没有痛苦。 这样的学校教育可谓是完美，在这个不完美的世界可能永远不会实现。就象中医，这么多人说要发扬真正的中医，但现代人没有这个福气，连伪中医都要衰落，何况真中医。现代“小火神”为什么不写书，或许有深机在焉。
一切学科相通，从而理解这个世界，这个题目太大了，tuenhai()也只是玩味了一点点。这里只讨论一下用编程的方法数字与汉字的转换，同时也附录一些资料，方便研究。
'tuenhai所用获得汉字或字符对应的区位符
Function quwei(ByVal x As String) As String ' x = Asc(x) 'Asc 返回输入字符的码位或字符代码。对于单字节字符集 (SBCS)，返回值范围为 0 到 255；对于双字节字符集 (DBCS)，返回值范围为 -32768 到 32767。对于单字节 ASCII 字符的图表，请参见 ASCII 字符代码。 x = Hex((x)) '返回表示数字的十六进制值的字符串。刘=FFFFC1F5,前面的4个F去掉,得到16进制的内码。16进制的C=10进制的12 Dim str As String str = Format(CDec("&H" & Strings.Mid(x, 5, 2)) - 160, "00") & Format(CDec("&H" & Strings.Mid(x, 7, 2)) - 160, "00") 'Strings.Mid(x, 5, 2) '得到16进制的内码，“刘”内码高位=C1 'CDec("&H" & str) '转换成10进制内码，"&H"表示16进制 “刘”内码高位=193 '-160 得到10进制区码, “刘”区码是33 'Format(decQu, "00") '格式化为两位数表示 Return str End Function '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， '在DBCS中，GB内码的存储格式始终是big endian，即高位在前。 ' 区位码是与汉字一一对应的编码，用四位数字表示， 前两位从01 到94称区码，后两位从01到94称位码。 一个汉字的前一半是 ASCⅡ码为“160＋区码”的字符，后一半是ASCⅡ码为“160＋ 位码”的字符。 '例如：“刘”的区位码是 3385，其意为区码33位码85，它是由ASCⅡ码为160＋33=193和160＋85=245的两个字符组成。 'tuenhai所用获得区位符对应汉字或字符 Function hanzi(ByVal x As String) As String ' On Error Resume Next Dim str As String str = Chr("&H" & Hex(Val(Strings.Left(x, 2)) + 160) & Hex(Val(Strings.Right(x, 2)) + 160)) Return (str) End Function 'Chr 使用 System.Text 命名空间中的 Encoding 类来确定当前线程使用的是单字节字符集 (SBCS) 还是双字节字符集 (DBCS)。然后将 CharCode 作为相应字符集中的码位。对于 SBCS 字符，范围为 0 到 255，对于 DBCS 字符，范围为 -32768 到 65535。 'ChrW 以 CharCode 作为 Unicode 码位。其范围与当前线程的区域性和代码页设置无关。-32768 到 -1 范围内的值的处理方式与 +32768 到 +65535 范围内的值相同。 (更多文章请访问www. 20060427 剡)
汉字区位码查询,汉字区位码查询系统,区位码输入法下载,姓名区位码查询,汉字区位码下载,汉字区位码软件,电话号码区位码查询,什么是汉字区位码,电话区位码查询,区位输入法下载,城市的区位因素,手机号码区位查询,农业的区位选择,高考区位号查询,重庆高考区位号,工业的区位选择,汉字区位输入法,汉字区位代码表,区位日语输入法下载,汉字区位代码查询 附录： 从汉字到区位码的转换 http://blog.csdn.net/leeajax/archive/2004/07/12/39686.aspx
学校要我们填写毕业生的情况表,机读卡那种,姓名要用区位码.我想如果用程序来查询的话,就是数据库查找,我想编一个应该很简单的,就上网看看有没有类似的程序,然后我再用它的数据库自己实现一个,可让我查到了一个文章讲如何实现从汉字到区位码的转换,呵呵,可以不用数据库了. 区位码是与汉字一一对应的编码，用四位数字表示， 前两位从01 到94称区码，后两位从01到94称位码。 一个汉字的前一半是 ASCⅡ码为“160＋区码”的字符，后一半是ASCⅡ码为“160＋ 位码”的字符。 例如：“刘”的区位码是 3385，其意为区码33位码85，它是由ASCⅡ码为160＋33=193和160＋85=245的两个字符组成。 我用简单的控制台程序实现如下
＃i nclude ＃i nclude void main() { char i[64]; while(1) { cout<<"输入单个字母退出"< cin>>i; if(strlen(i)==1)break; for(int j=0;j cout<<(i[j]+96)*100+i[j+1]+96< } } 如何随机生成指定数目的国标汉字？ 为了使每一个汉字有一个全国统一的代码，1980年，我国颁布了第一个汉字编码的国家标准： GB2312-80《信息交换用汉字编码字符集》基本集，这个字符集是我国中文信息处理技术的发展基础，也是目前国内所有汉字系统的统一标准。由于国标码是四位十六进制，为了便于交流，大家常用的是四位十进制的区位码。所有的国标汉字与符号组成一个94×94的矩阵。在此方阵中,每一行称为一个"区",每一列称为一个"位",因此,这个方阵实际上组成了一个有94个区(区号分别为0 1到94)、每个区内有94个位(位号分别为01到94)的汉字字符集。一个汉字所在的区号和位号简单地组合在一起就构成了该汉字的"区位码"。在汉字的区位码中，高两位为区号，低两位为位号。 在区位码中，01-09区为682个特殊字符，16~87区为汉字区，包含6763个汉字 。其中16-55区为一级汉字(3755个最常用的汉字，按拼音字母的次序排列)，56-87区为二级汉字(3008个汉字，按部首次序排列)。
所以，当我们需要n个任意汉字时，我们不必建一个全部汉字表，而是利用区位码实现常用汉字的提取。
下面的代码可以实现任意数目汉字的生成：
Private Sub getrndhanzi(ByVal n As Integer)
Dim s() As String, i As Integer Dim temp1 As Integer, temp2 As Integer ReDim s(1 To n) Randomize For i = 1 To n temp1 = 16 + Int(Rnd * 72) If temp1 = 55 Then temp2 = Int(Rnd * 90) '一级汉字从1601-1694,1701-1794,.....5401-5494，5501-5589,共94*40-5=3755 个汉字 Else temp2 = Int(Rnd * 95) '二级汉字从5601-5694,5701-5794,.....8601-8694，8701-8794,共94*32=3008 个汉字 End If s(i) = Chr("&H" & Hex(temp1 + 160) & Hex(temp2 + 160)) Next Debug.Print Join(s, "")'输出 End Sub Private Sub Command1_Click()
Dim i As Integer For i = 1 To 25 '分别生成1-25个任意汉字 getrndhanzi i Next End Sub 输出：
腿
夫敞 途罨椽 涅搦侄铽 榨藸禒艟球 枵舟斟盯滩桫 狲暗田苫撂蕾岢 冠澧炫鲼噘惺馘柘 巧愁炔哔臆策籼锭昏 紶假媪慈乘嘎肤景濡薤 呋刨锺灰榉懋唇弱献囟垤 均耋撤阗驿迩愍殒埚砸宕薅 蒹翦俄形碌哧烀爝懒缭嫔捭浑 瑾砜疬哜遒濂勾彐綘珩苓就萌炳 光椁旖趁鲲頎壕狁媪暑额忾帷淤黹 湫熏裤降旺廓淳傻蜕脬荪色注紫劾吾 陶沥瑗骶埴于喃刮瘿突赅斛简铨觞抨唼 格鸽乜衍夙菀鲡败陆褐哙苑滓淆踵讫头绑 德泠婷岙湔池桨郅峁汩卒控诉刍镗椎鬣越嫉 义懂聂其定鳓脯膪巯吐昏罚返抖陵沌戗喘茺缂 废雾旯浠疼赃勋妓鳟埏帮盂蕹朐裂祆膻拌脎威纯 宛免作绣稞涑枭搬怿旦熨呈弃驰翔聚饰栩燧艴氢贫 豕源髑乍蚍夏己履毕芤毁篑子褊崖坏忑霉钿瘢驵迁裨 獬纷胚桨衫蹒疯祧武琢吣酃踱免逘浊顸坐磬挫郐婶缪锰 拽技薯帙陕槲逗蜱嘧雌怙诖椭踉盔锍认致暝榴蘖逆捻螨噬 附：
汉字与区位码转换代码：
Function quwei(ByVal x As String) As String '获得某汉字或字符对应的的区位码
If Asc(x) >= 0 Then Exit Function x = Hex(Asc(x)) quwei = Format(CDec("&H" & Left(x, 2)) - 160, "00") & Format(CDec("&H" & Right(x, 2)) - 160, "00") End Function Function hanzi(ByVal x As String) As String'获得某区位码对应汉字或字符 hanzi = Chr("&H" & Hex(Val(Left(x, 2)) + 160) & Hex(Val(Right(x, 2)) + 160)) End Function 经验总结--字符串与编码 SRC:http://search.csdn.net/Expert/topic/1880/1880675.xml?temp=3.344363E-02
这几个月作手机短信的项目，碰到了很多字符编码的问题，真头痛。经过多番资料的搜索、亲手尝试和高人的指点，现在好像没那么迷惘了。现作了一些总结跟大家分享（有误之处请指点） 首先应该把字节数组看成是String的载体。
dot Net使用的字符串String是Unicode编码的；它也是以Unicode编码的形式显示字符串。 以下是用自己语言对几个常用函数的说明：
（自己总结的，反正看不明MSDN） bytes=System.Text.Encoding.Unicode.GetBytes(str) 作用：把str的载体作Unicode->Unicode的编码转换--也就是没有对载体作任何的转换。因些使用此函数可以得代表该String载体的字节数组。 str=System.Text.Encoding.Unicode.GetString(bytes) 作用：对字节数组作Unicode->Unicode的编码转换--即没有转换，把经过转换后的字节数组作为str的载体。 bytes=System.Text.Encoding.Utf8.GetBytes(str)
作用：把str的载体作Utf8->Unicode的编码转换。返回的是经过转换后的字符数组 str=System.Text.Encoding.Utf8.GetString(bytes) 作用：对字节数组作Gb2312->Unicode的编码转换，把经过转换后的字节数组作为str的载体。 bytes=System.Text.Encoding.GetEncoding("GB2312").GetBytes(str)
作用：把str的载体作Gb2312->Unicode的编码转换。返回的是经过转换后的字符数组 str=System.Text.Encoding.GetEncoding("GB2312").GetString(bytes) 作用：对字节数组作Gb2312->Unicode的编码转换，把经过转换后的字节数组作为str的载体。 如此类推
bytes=System.Text.Encoding.GetEncoding("XXX").GetBytes(str) 作用：把str的载体作XXX->Unicode的编码转换。返回的是经过转换后的字符数组 str=System.Text.Encoding.GetEncoding("XXX").GetString(bytes) 作用：对字节数组作XXX->Unicode的编码转换，把经过转换后的字节数组作为str的载体。 这里是我收集的一些有关字符编码的资料：http://61.145.116.154/bm/
还有： http://www./charts/unihan.html 根据Unicode编码查其对应字符的字形、Utf8、汉字区位码等 http://www./Public/MAPPINGS/OBSOLETE/EASTASIA/GB/GB2312.TXT Unicode与Gb2312的对照表 http://www.***/developers/gadc/technicalpublications/articles/mabiao.txt Unicode与Gbk对照表 用C#生成中文汉字验证码的基本原理 前几天去申请免费QQ号码，突然发现申请表单中的验证码内容换成了中文，这叫真叫我大跌眼镜感到好笑，Moper上的猫儿们都大骂腾讯采用中文验证码。^_^
我不得不佩服腾讯为了防止目前网络上横行的QQ号码自动注册机而采取中文验证码的手段。仔细想了想感觉用程序生成随机的中文验证码并不是很难，下面就来介绍一下使用C#生成随机的中文汉字的原理。 1、汉字编码原理 到底怎么办到随机生成汉字的呢？汉字从哪里来的呢？是不是有个后台数据表，其中存放了所需要的所有汉字，使用程序随机取出几个汉字组合就行了呢？使用后台数据库先将所有汉字存起来使用时随机取出，这也是一种办法，但是中文汉字有这么多，怎么来制作呢？其实可以不使用任何后台数据库，使用程序就能做到这一切。要知道如何生成汉字，就得先了解中文汉字的编码原理。 1980年，为了使每一个汉字有一个全国统一的代码，我国颁布了第一个汉字编码的国家标准： GB2312-80《信息交换用汉字编码字符集》基本集，简称GB2312，这个字符集是我国中文信息处理技术的发展基础，也是国内所有汉字系统的统一标准。到了后来又公布了国家标准GB18030-2000《信息交换用汉字编码字符集基本集的扩充》，简称GB18030，编程时如果涉及到编码和本地化的朋友应该对GB18030很熟悉。这是是我国继GB2312-1980和GB13000-1993之后最重要的汉字编码标准，同时也是未来我国计算机系统必须遵循的基础性标准之一。 目前在中文WINDOWS操作系统中，.NET编程中默认的的代码页就是GB18030简体中文。但是事实上如果生成中文汉字验证码只须要使用GB2312字符集就已经足够了。字符集中除了我们平时大家都认识的汉字外，也包含了很多我们不认识平时也很少见到的汉字。如果生成中文汉字验证码中有很多我们不认识的汉字让我们输入，对于使用拼音输入法的朋友来说可不是好事，五笔使用者还能勉强根据汉字的长相打出来，呵呵！所以对于GB2312字符集中的汉字我们也不是全都要用。 中文汉字字符可以使用区位码来表示，见 汉字区位码表 http://navicy2005.***/resource/gb2312tbl.htm
汉字区位码代码表 http://navicy2005.***/resource/gb2312tbm.htm 其实这两个表是同一回事，只不过一个使用十六进制分区表示，一个使用区位所在的数字位置表示。 例如“好”字的十六进制区位码是ba c3，前两位是区域，后两位代表位置，ba处在第26区，“好”处在此区汉字的第35位也就是c3位置，所以数字代码就是2635。这就是GB2312汉字区位原理。根据《汉字区位码表 》我们可以发现第15区也就是AF区以前都没有汉字，只有少量符号，汉字都从第16区B0开始，这就是为什么GB2312字符集都是从16区开始的。
2、.Net程序处理汉字编码原理分析
在.Net中可以使用System.Text来处理所有语言的编码。在System.Text命名空间中包含众多编码的类，可供进行操作及转换。其中的Encoding类就是重点处理汉字编码的类。通过在.NET文档中查询Encoding类的方法我们可以发现所有和文字编码有关的都是字节数组，其中有两个很好用的方法： Encoding.GetBytes ()方法将指定的 String 或字符数组的全部或部分内容编码为字节数组 Encoding.GetString ()方法将指定字节数组解码为字符串。 没错我们可以通过这两个方法将汉字字符编码为字节数组，同样知道了汉字GB2312的字节数组编码也就可以将字节数组解码为汉字字符。通过对“好”字进行编码为字节数组后
Encoding gb=System.Text.Encoding.GetEncoding("gb2312"); object[] bytes=gb.Encoding.GetBytes ("好")； 发现得到了一个长度为2的字节数组bytes，使用
string lowCode = System.Convert.ToString(bytes[0], 16); //取出元素1编码内容（两位16进制） string hightCode = System.Convert.ToString(bytes[1], 16);//取出元素2编码内容（两位16进制） 之后发现字节数组bytes16进制变码后内容竟然是{ba,c3}，刚好是“好”字的十六进制区位码（见区位码表）。
因此我们就可以随机生成一个长度为2的十六进制字节数组，使用GetString ()方法对其进行解码就可以得到汉字字符了。不过对于生成中文汉字验证码来说，因为第15区也就是AF区以前都没有汉字，只有少量符号，汉字都从第16区B0开始，并且从区位D7开始以后的汉字都是和很难见到的繁杂汉字，所以这些都要排出掉。所以随机生成的汉字十六进制区位码第1位范围在B、C、D之间，如果第1位是D的话，第2位区位码就不能是7以后的十六进制数。在来看看区位码表发现每区的第一个位置和最后一个位置都是空的，没有汉字，因此随机生成的区位码第3位如果是A的话，第4位就不能是0；第3位如果是F的话，第4位就不能是F。 好了，知道了原理，随机生成中文汉字的程序也就出来了，以下就是生成4个随机汉字的C#控制台代码： 3、程序代码： using System;
using System.Text; namespace ConsoleApplication
{ class ChineseCode { public static void Main() { //获取GB2312编码页（表） Encoding gb=Encoding.GetEncoding("gb2312"); //调用函数产生4个随机中文汉字编码
object[] bytes=CreateRegionCode(4); //根据汉字编码的字节数组解码出中文汉字
string str1=gb.GetString((byte[])Convert.ChangeType(bytes[0], typeof(byte[]))); string str2=gb.GetString((byte[])Convert.ChangeType(bytes[1], typeof(byte[]))); string str3=gb.GetString((byte[])Convert.ChangeType(bytes[2], typeof(byte[]))); string str4=gb.GetString((byte[])Convert.ChangeType(bytes[3], typeof(byte[]))); //输出的控制台
Console.WriteLine(str1 + str2 +str3 +str4); } /**//* 此函数在汉字编码范围内随机创建含两个元素的十六进制字节数组，每个字节数组代表一个汉字，并将 四个字节数组存储在object数组中。 参数：strlength，代表需要产生的汉字个数 */ public static object[] CreateRegionCode(int strlength) { //定义一个字符串数组储存汉字编码的组成元素 string[] rBase=new String [16]{"0","1","2","3","4","5","6","7","8","9","a","b","c","d","e","f"}; Random rnd=new Random(); //定义一个object数组用来 object[] bytes=new object[strlength]; /**//*每循环一次产生一个含两个元素的十六进制字节数组，并将其放入bject数组中
每个汉字有四个区位码组成 区位码第1位和区位码第2位作为字节数组第一个元素 区位码第3位和区位码第4位作为字节数组第二个元素 */ for(int i=0;i { //区位码第1位 int r1=rnd.Next(11,14); string str_r1=rBase[r1].Trim(); //区位码第2位
rnd=new Random(r1*unchecked((int)DateTime.Now.Ticks)+i);//更换随机数发生器的 种子避免产生重复值
int r2; if (r1==13) { r2=rnd.Next(0,7); } else { r2=rnd.Next(0,16); } string str_r2=rBase[r2].Trim(); //区位码第3位
rnd=new Random(r2*unchecked((int)DateTime.Now.Ticks)+i); int r3=rnd.Next(10,16); string str_r3=rBase[r3].Trim(); //区位码第4位
rnd=new Random(r3*unchecked((int)DateTime.Now.Ticks)+i); int r4; if (r3==10) { r4=rnd.Next(1,16); } else if (r3==15) { r4=rnd.Next(0,15); } else { r4=rnd.Next(0,16); } string str_r4=rBase[r4].Trim(); //定义两个字节变量存储产生的随机汉字区位码
byte byte1=Convert.ToByte(str_r1 + str_r2,16); byte byte2=Convert.ToByte(str_r3 + str_r4,16); //将两个字节变量存储在字节数组中 byte[] str_r=new byte[]{byte1,byte2}; //将产生的一个汉字的字节数组放入object数组中
bytes.SetValue(str_r,i); } return bytes;
}
} }
实现了随机生成汉字后，就可以使用.NET GDI来绘制自己需要的验证码图形了。具体的怎样生成验证码图片，以及改变其中字符的长和宽等效果网上已经有很多相关的文章，这里由于篇幅就不再介绍了。不过有一点要说明的是以上代码在中文版的Windows下才能运行，因为它带有GB的字符集，如果你是其他语言的操作系统，就需要安装GB字符集了。 用.NET获取汉字的区位码(C#)
首先复习一下计算机基础知识：
计算机中最底层的数据都是用二进制及0和1来表示的。每个0或1称作1位，第8位二进制数叫做1个字节，它可以表示ASCII码中的一个字符。中文计算机中用两个字节即16位二进制来表示一个汉字。而在Unicode编码中所有的符号(包括汉字，英文，标题及其它众多符号）都是为两字节（16）位来表示。
在System.Text命名空间中包含众多编码的类，可供进行操作及转换，下面用两个实例来进行区位码及汉字之间的互换，希望能起到举一反三的效果，让大家可以轻松处理文字编码方面的问题：
程序代码：
using System;
using System.Text; class CodingChange { public string CharacterToCoding(string character) { string coding = ""; for (int i = 0; i { byte[] bytes = System.Text.Encoding.Unicode.GetBytes(character.Substring(i,1)); //取出二进制编码内容 string lowCode = System.Convert.ToString(bytes[0], 16); //取出低字节编码内容（两位16进制） if (lowCode.Length == 1) lowCode = "0" + lowCode; string hightCode = System.Convert.ToString(bytes[1], 16);//取出高字节编码内容（两位16进制） if (hightCode.Length == 1) hightCode = "0" + hightCode; coding += (lowCode + hightCode);//加入到字符串中, } return coding; } public string CodingToCharacter(string coding) { string characters = ""; 2进制、8进制、10进制、16进制...各种进制间的轻松转换（c#) 在.NET Framework中，System.Convert类中提供了较为全面的各种类型、数值之间的转换功能。其中的两个方法可以轻松的实现各种进制的数值间的转换：
Convert.ToInt32(string value, int fromBase)：
可以把不同进制数值的字符串转换为数字，其中fromBase参数为进制的格式，只能是2、8、10及16:
如Convert.ToInt32(”0010”,2)执行的结果为2;
Convert.ToString(int value, int toBase):
可以把一个数字转换为不同进制数值的字符串格式,其中toBase参数为进制的格式，只能是2、8、10及16:
如Convert.ToString(2,2)执行的结果为”0010”
现在我们做一个方法实现各种进制间的字符串自由转换：选把它转成数值型，然后再转成相应的进制的字符串:
public string ConvertString(string value, int fromBase, int toBase)
{
int intValue = Convert.ToInt32(value, fromBase);
return Convert.ToString(intValue, toBase);
} 其中fromBase为原来的格式
toBase为将要转换成的格式
yolle [原作]
进制转换
http://www./blog/article.asp?id=76
电脑上的常用进制有：2、8、10、16四种，在修改中经常接触的是2、10和16进制，基本上需要了解的是2和16互转、10和16互转，其他多了解也没亏 2转16：
4个2进制位为一个16进制数，2进制1111为16进制F，2进制中千位的1=8，百位的1=4，十位的1=2，个位的1=1，将各个位的数作相应转换再相加，的到的数就是10进制数0-15，可轻松转换成16进制。如01011100，可看成是两组2进制数0101和1100，则这个数就是16进制的5C。
10转16：
100以内一点的10转16心算比较快，复杂的用“计算器”算了。10转16用传统的计算方式可以了，就是大于15小于256的10进制数除以16为的值为十位的16进制数，其余数为个位的16进制数，没余数则个位为0。如61的16进制是3D，61除以16得3余13，3作十位数，13转成D为各位数。
16转10： 用相反的道理，将十位数乘以16加上个位数。如5A，将5乘以16得80，加上A的10进制10，结果是90。 最直接方便的方法是用windows或win95中的计算器，打开计算器，将计算器置成科学型(win95的乘法)，选中十进制选择钮，输入十进制数然后选择二进制选择钮，OK！又快又准确。可是如果你想成为一个合格的程序员的话，你就必须充分了解十进制数和二进制数的特点，最好的方法是你多做一些进制转换的题目，这是程序员训练中的传统做法。 三、以十六进制作桥梁 十进制到二进制的转换实在麻烦，而且二进制数实在不易记忆和理解，你能马上感觉到一万元是多少钱，但是你能感觉到10011100010000(二进制)是多少吗？为了编程和使用方便，在二进制和十进制之间有了一座桥梁十六进制。十六进制是逢十六进一，0、1、2、3、4、5、…9、A、B、C、D、E、F、10、11、12……。到了9以后用ABCDEF表示，十六进制数与二进制数的转换非常方便。 首先你应当牢记下表 二进制 十六进制 0 0 1 1 10 2 11 3 100 4 101 5 110 6 111 7 1000 8 1001 9 1010 A 1011 B 1100 C 1101 D 1110 E 1111 F 二进制数转换成十六进制数方法如下，以二进制数1101110为例： 将二进制数从右面开始以四位为一组分组，最左面不够四位的补0，按上表查得对应的十六进制数，组合起来以后就成了。 0110 1110的十六进制数是6E 十六进制转换成二进制方法如下，以十六进制数3E为例： 将十六进制的每一位转换成四位二进制数，不足四位的在左面补0，组合起来即可得到二进制数。 3E的二进制数是00111110，既是111110 当然你也可以用计算器得出结果。但也建议你熟练掌握。 Unicode简介
http://www./java/index.php?q=node/79
关键词： 字库,unicode,big5 Unicode是一种字符编码规范 。
先从ASCII说起。ASCII是用来表示英文字符的一种编码规范，每个ASCII字符占用1个字节（8bits）
因此，ASCII编码可以表示的最大字符数是256，其实英文字符并没有那么多，一般只用前128个（最高位为0），其中包括了控制字符、数字、大小写字母和其他一些符号 。
而最高位为1的另128个字符被成为“扩展ASCII”，一般用来存放英文的制表符、部分音标字符等等的一些其他符号
这种字符编码规范显然用来处理英文没有什么问题 。（实际上也可以用来处理法文、德文等一些其他的西欧字符，但是不能和英文通用），但是面对中文、阿拉伯文之类复杂的文字，255个字符显然不够用
于是，各个国家纷纷制定了自己的文字编码规范，其中中文的文字编码规范叫做“GB2312-80”，它是和ASCII兼容的一种编码规范，其实就是利用扩展ASCII没有真正标准化这一点，把一个中文字符用两个扩展ASCII字符来表示。
但是这个方法有问题，最大的问题就是，中文文字没有真正属于自己的编码，因为扩展ASCII码虽然没有真正的标准化，但是PC里的ASCII码还是有一个事实标准的（存放着英文制表符），所以很多软件利用这些符号来画表格。这样的软件用到中文系统中，这些表格符就会被误认作中文字，破坏版面。而且，统计中英文混合字符串中的字数，也是比较复杂的，我们必须判断一个ASCII码是否扩展，以及它的下一个ASCII是否扩展，然后才“猜”那可能是一个中文字 。
总之当时处理中文是很痛苦的。而更痛苦的是GB2312是国家标准，台湾当时有一个Big5编码标准，很多编码和GB是相同的，所以……，嘿嘿。
这时候，我们就知道，要真正解决中文问题，不能从扩展ASCII的角度入手，也不能仅靠中国一家来解决。而必须有一个全新的编码系统，这个系统要可以将中文、英文、法文、德文……等等所有的文字统一起来考虑，为每个文字都分配一个单独的编码，这样才不会有上面那种现象出现。
于是，Unicode诞生了。
Unicode有两套标准，一套叫UCS-2(Unicode-16)，用2个字节为字符编码，另一套叫UCS-4(Unicode-32)，用4个字节为字符编码。
以目前常用的UCS-2为例，它可以表示的字符数为2^16=65535，基本上可以容纳所有的欧美字符和绝大部分的亚洲字符 。
UTF-8的问题后面会提到 。
在Unicode里，所有的字符被一视同仁。汉字不再使用“两个扩展ASCII”，而是使用“1个Unicode”，注意，现在的汉字是“一个字符”了，于是，拆字、统计字数这些问题也就自然而然的解决了 。
但是，这个世界不是理想的，不可能在一夜之间所有的系统都使用Unicode来处理字符，所以Unicode在诞生之日，就必须考虑一个严峻的问题：和ASCII字符集之间的不兼容问题。
我们知道，ASCII字符是单个字节的，比如“A”的ASCII是65。而Unicode是双字节的，比如“A”的Unicode是0065，这就造成了一个非常大的问题：以前处理ASCII的那套机制不能被用来处理Unicode了 。
另一个更加严重的问题是，C语言使用'\0'作为字符串结尾，而Unicode里恰恰有很多字符都有一个字节为0，这样一来，C语言的字符串函数将无法正常处理Unicode，除非把世界上所有用C写的程序以及他们所用的函数库全部换掉 。
于是，比Unicode更伟大的东东诞生了，之所以说它更伟大是因为它让Unicode不再存在于纸上，而是真实的存在于我们大家的电脑中。那就是：UTF 。
UTF= UCS Transformation Format UCS转换格式
它是将Unicode编码规则和计算机的实际编码对应起来的一个规则。现在流行的UTF有2种：UTF-8和UTF-16 。
其中UTF-16和上面提到的Unicode本身的编码规范是一致的，这里不多说了。而UTF-8不同，它定义了一种“区间规则”，这种规则可以和ASCII编码保持最大程度的兼容 。
UTF-8有点类似于Haffman编码，它将Unicode编码为00000000-0000007F的字符，用单个字节来表示；
00000080-000007FF的字符用两个字节表示
00000800-0000FFFF的字符用3字节表示
因为目前为止Unicode-16规范没有指定FFFF以上的字符，所以UTF-8最多是使用3个字节来表示一个字符。但理论上来说，UTF-8最多需要用6字节表示一个字符。
在UTF-8里，英文字符仍然跟ASCII编码一样，因此原先的函数库可以继续使用。而中文的编码范围是在0080-07FF之间，因此是2个字节表示（但这两个字节和GB编码的两个字节是不同的），用专门的Unicode处理类可以对UTF编码进行处理。
下面说说中文的问题。
由于历史的原因，在Unicode之前，一共存在过3套中文编码标准。
GB2312-80，是中国大陆使用的国家标准，其中一共编码了6763个常用简体汉字。Big5，是台湾使用的编码标准，编码了台湾使用的繁体汉字，大概有8千多个。HKSCS，是中国香港使用的编码标准，字体也是繁体，但跟Big5有所不同。
这3套编码标准都采用了两个扩展ASCII的方法，因此，几套编码互不兼容，而且编码区间也各有不同
因为其不兼容性，在同一个系统中同时显示GB和Big5基本上是不可能的。当时的南极星、RichWin等等软件，在自动识别中文编码、自动显示正确编码方面都做了很多努力 。
他们用了怎样的技术我就不得而知了，我知道好像南极星曾经以同屏显示繁简中文为卖点。
后来，由于各方面的原因，国际上又制定了针对中文的统一字符集GBK和GB18030，其中GBK已经在Windows、Linux等多种操作系统中被实现。
GBK兼容GB2312，并增加了大量不常用汉字，还加入了几乎所有的Big5中的繁体汉字。但是GBK中的繁体汉字和Big5中的几乎不兼容。
GB18030相当于是GBK的超集，比GBK包含的字符更多。据我所知目前还没有操作系统直接支持GB18030。
谈谈Unicode编码，简要解释UCS、UTF、BMP、BOM等名词 这是一篇程序员写给程序员的趣味读物。所谓趣味是指可以比较轻松地了解一些原来不清楚的概念，增进知识，类似于打RPG游戏的升级。整理这篇文章的动机是两个问题： 问题一：
使用Windows记事本的“另存为”，可以在GBK、Unicode、Unicode big endian和UTF-8这几种编码方式间相互转换。同样是txt文件，Windows是怎样识别编码方式的呢？ 我很早前就发现Unicode、Unicode big endian和UTF-8编码的txt文件的开头会多出几个字节，分别是FF、FE（Unicode）,FE、FF（Unicode big endian）,EF、BB、BF（UTF-8）。但这些标记是基于什么标准呢？
问题二：
最近在网上看到一个ConvertUTF.c，实现了UTF-32、UTF-16和UTF-8这三种编码方式的相互转换。对于Unicode(UCS2)、GBK、UTF-8这些编码方式，我原来就了解。但这个程序让我有些糊涂，想不起来UTF-16和UCS2有什么关系。 查了查相关资料，总算将这些问题弄清楚了，顺带也了解了一些Unicode的细节。写成一篇文章，送给有过类似疑问的朋友。本文在写作时尽量做到通俗易懂，但要求读者知道什么是字节，什么是十六进制。 0、big endian和little endian
big endian和little endian是CPU处理多字节数的不同方式。例如“汉”字的Unicode编码是6C49。那么写到文件里时，究竟是将6C写在前面，还是将49写在前面？如果将6C写在前面，就是big endian。还是将49写在前面，就是little endian。 “endian”这个词出自《格列佛游记》。小人国的内战就源于吃鸡蛋时是究竟从大头(Big-Endian)敲开还是从小头(Little-Endian)敲开，由此曾发生过六次叛乱，其中一个皇帝送了命，另一个丢了王位。
我们一般将endian翻译成“字节序”，将big endian和little endian称作“大尾”和“小尾”。
1、字符编码、内码，顺带介绍汉字编码
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。 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。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。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。
这里还有一些细节：
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。
在DBCS中，GB内码的存储格式始终是big endian，即高位在前。
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，就可以将下两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。
2、Unicode、UCS和UTF
前面提到从ASCII、GB2312、GBK到GB18030的编码方法是向下兼容的。而Unicode只与ASCII兼容（更准确地说，是与ISO-8859-1兼容），与GB码不兼容。例如“汉”字的Unicode编码是6C49，而GB码是BABA。 Unicode也是一种字符编码方法，不过它是由国际组织设计，可以容纳全世界所有语言文字的编码方案。Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。UCS可以看作是"Unicode Character Set"的缩写。
根据维基百科全书(http://zh./wiki/)的记载：历史上存在两个试图独立设计Unicode的组织，即国际标准化组织（ISO）和一个软件制造商的协会（）。ISO开发了ISO 10646项目，Unicode协会开发了Unicode项目。
在1991年前后，双方都认识到世界不需要两个不兼容的字符集。于是它们开始合并双方的工作成果，并为创立一个单一编码表而协同工作。从Unicode2.0开始，Unicode项目采用了与ISO 10646-1相同的字库和字码。
目前两个项目仍都存在，并独立地公布各自的标准。Unicode协会现在的最新版本是2005年的Unicode 4.1.0。ISO的最新标准是10646-3:2003。
UCS规定了怎么用多个字节表示各种文字。怎样传输这些编码，是由UTF(UCS Transformation Format)规范规定的，常见的UTF规范包括UTF-8、UTF-7、UTF-16。
IETF的RFC2781和RFC3629以RFC的一贯风格，清晰、明快又不失严谨地描述了UTF-16和UTF-8的编码方法。我总是记不得IETF是Internet Engineering Task Force的缩写。但IETF负责维护的RFC是Internet上一切规范的基础。
3、UCS-2、UCS-4、BMP
UCS有两种格式：UCS-2和UCS-4。顾名思义，UCS-2就是用两个字节编码，UCS-4就是用4个字节（实际上只用了31位，最高位必须为0）编码。下面让我们做一些简单的数学游戏：
UCS-2有2^16=65536个码位，UCS-4有2^31=2147483648个码位。
UCS-4根据最高位为0的最高字节分成2^7=128个group。每个group再根据次高字节分为256个plane。每个plane根据第3个字节分为256行 (rows)，每行包含256个cells。当然同一行的cells只是最后一个字节不同，其余都相同。
group 0的plane 0被称作Basic Multilingual Plane, 即BMP。或者说UCS-4中，高两个字节为0的码位被称作BMP。
将UCS-4的BMP去掉前面的两个零字节就得到了UCS-2。在UCS-2的两个字节前加上两个零字节，就得到了UCS-4的BMP。而目前的UCS-4规范中还没有任何字符被分配在BMP之外。
4、UTF编码
UTF-8就是以8位为单元对UCS进行编码。从UCS-2到UTF-8的编码方式如下：
UCS-2编码(16进制) UTF-8 字节流(二进制)
0000 - 007F 0xxxxxxx 0080 - 07FF 110xxxxx 10xxxxxx 0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx 例如“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间，所以肯定要用3字节模板了：1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是：0110 110001 001001， 用这个比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。
读者可以用记事本测试一下我们的编码是否正确。
UTF-16以16位为单元对UCS进行编码。对于小于0x10000的UCS码，UTF-16编码就等于UCS码对应的16位无符号整数。对于不小于0x10000的UCS码，定义了一个算法。不过由于实际使用的UCS2，或者UCS4的BMP必然小于0x10000，所以就目前而言，可以认为UTF-16和UCS-2基本相同。但UCS-2只是一个编码方案，UTF-16却要用于实际的传输，所以就不得不考虑字节序的问题。
5、UTF的字节序和BOM
UTF-8以字节为编码单元，没有字节序的问题。UTF-16以两个字节为编码单元，在解释一个UTF-16文本前，首先要弄清楚每个编码单元的字节序。例如收到一个“奎”的Unicode编码是594E，“乙”的Unicode编码是4E59。如果我们收到UTF-16字节流“594E”，那么这是“奎”还是“乙”？ Unicode规范中推荐的标记字节顺序的方法是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte Order Mark。BOM是一个有点小聪明的想法：
在UCS编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的编码是FEFF。而FFFE在UCS中是不存在的字符，所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前，先传输字符"ZERO WIDTH NO-BREAK SPACE"。
这样如果接收者收到FEFF，就表明这个字节流是Big-Endian的；如果收到FFFE，就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。
UTF-8不需要BOM来表明字节顺序，但可以用BOM来表明编码方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8编码是EF BB BF（读者可以用我们前面介绍的编码方法验证一下）。所以如果接收者收到以EF BB BF开头的字节流，就知道这是UTF-8编码了。
Windows就是使用BOM来标记文本文件的编码方式的。
6、进一步的参考资料
本文主要参考的资料是 "Short overview of ISO-IEC 10646 and Unicode" (http://www.nada./i18n/ucs/unicode-iso10646-oview.html)。 我还找了两篇看上去不错的资料，不过因为我开始的疑问都找到了答案，所以就没有看：
"Understanding Unicode A general introduction to the Unicode Standard" (http://scripts./cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)
"Character set encoding basics Understanding character set encodings and legacy encodings" (http://scripts./cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03) 本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/supersi/archive/2007/10/27/1847114.aspx |
|
|
