几种典型汉字编码之间转换的原理与实现.pdf

计算机科学2008Voi．35NQ．4B 几种典型汉字编码之间转换的原理与实现 周 永1 陈宁2 (西南石油大学计算机科学学院 成都610500)1(中国石油西南油气田公司输气管理处 成都610213)2 摘要本文讨论汉字与机内码、区位码、Unicode编码之间如何进行相互转换。在介绍了汉字编码的基本概念后， 分析了汉字的编码规则与内在联系，最后用Java语言给出了编码之间转换的一种具体实现。 关键词汉字，编码转换，机内码，区位码，Umcode，Java 种方法允许分派65536个唯一的字符。这样的编码数量，几 1 引言 乎可以表示世界上所有可书写语言。汉字的Unicode编码是 汉字是我国使用最为广泛的文字，在计算机被广泛应用 的今天，研究汉字在计算机内的各种编码及其相互转换，具有 在对中文资料进行汉字数量统计时，实际上判断Unieode编 很大的应用价值。不少时候都存在这样的需要：由汉字得到 码是不是位于上述范围之内就可以了。 其对应的区位码，计算文档中的汉字数量；对大量文献进行汉 在分别介绍了三种编码之后，接下来讨论它们之间的关 字使用频度统计。要完成以上任务，就必须研究汉字在计算 系。对GB2312中的汉字而言，机内码和区位码之间的关系 机内的一些编码。本文重点讨论汉字与它的机内码、区位码、 最为密切。首先来看看如何从区位码得到汉字的机内码。将 Unicode编码这四者之间，如何在已知其一的情况下，得到其区码加上十进制的160，位码也同样加上160，得到的结果分 它三项。 别转换为十六进制，再连接起来，就是汉字的机内码。例如 “周”字的区位码是5460，区码54加上160等于214，转换为 2原理分析 十六进制就是“D6”；位码60加上160等于220，转换为十六 汉字要在计算机内部存储，首先必须按照一定的编码规 进制就是“DC。因此，从“周”的区位码5460，可以得到其机 则进行编码[1]。本文讨论的机内码和Unieode编码，在某种内码的十六进制形式为“D6DC，’。同样地，也可以用汉字的机 意义上都属于计算机内部的存储码，而区位码是属于输入码 内码，得到汉字的区位码。因为机内码通常是用十六进制表 的一种。把区位码纳入讨论范围，是因为很多时候有获取区 示，减去十进制的160，就是减去十六进制的A0。例如，某个 位码的需要。如高考报名时考生就需要填写和姓名对应的区 汉字的机内码是“BCDE。用BC减去A0等于1C，即十进制 位码。以下先简单介绍一下三种编码： 的28；用DE减去A0等于3E，即十进制的62。最终得到的 机内码[2]：计算机中的所有文字符号都是用编码的方式 区位码是2862，对应汉字中的“嫁”字。从上述分析我们可以 来实现的，这在本质上都是一些二进制的组合。因为汉字的 看出，对GB2312中的汉字，机内码和区位码之间关系密切， 数量较多，用一个字节的8个二进制位，元法对所有汉字进行 可以很容易的相互转换。但要从上述编码得到汉字的Um— 编码。汉字在计算机内存储时，采用两个字节进行编码，也就 code编码，实际上无法直接获取。要从机内码或区位码得到 是16个二进制位。例如“编程技巧”中的“编”字，在实际存储 汉字的Unicode编码，必须先得到此汉字。在Java这样的语 时的编码，用十六进制表示是“B1EO”，用二迸制表示是言中，基本数据类型中的char类型用两个字节存储，可以很 和。 方便地得到汉字的Unieode编码。 需要说明的是，使用区位码输入法可以直接得到汉字。 区位码：要谈区位码