GBK/GBK2312字库寻址及使用原理

   我们知道，我们所见到的所有字符编码，对于计算机来说都是0、1。更具不同位上的0、1，一个字节（8位）共有256中排列方式，因此一个字节就可以表示256个不同的字符。在这个前提下，ASCII编码就由美国制造出来用来表示英文、数字以及一些不可见字符。

  ASCII编码共规定了128个字符，比如数字0的ASCII编码为48，符号@的ASCII编码为64，字符a的ASCII编码为97···，因为每一个字节8位共可以表示256个字符，因此对于ASCII字符是使用不完的，仅后7位便可以刚刚可以表示128个字符，因此对于ASCII字符来说，最高位永远为0。

  我们可以发现对于一个字节来说，最多仅可以表示256个字符，那么其他语言怎么在计算机上表示呢？对我国博大精深的汉字就有超10万个。这使用一个字符是远远不够的，因此就出现了一个庞大的集合-Unicode，这个字符集将世界上几乎所有的符号都纳入其中。

  这个时候问题就来了，上面已经说了一个字节最多能表示256个字符，那么这么多的汉字是肯定不够的，就一定需要两个、三个字节或者更多的字节来表示。但是这个时候，虽然可以有更多的字节来表示字符了，但是计算机又怎么知道我们是一个字节代表的一个字符还是俩个、三个字节代表的一个字符呢？

    ------Unicode的实现方式之一   首先需要明确一点，UTF-8是Unicode编码的一种实现方式（Unicode只是一个符号集合，它只规定了符号的二进制代码，如严字的Unicode编码是0x4E25，却并没有规定二进制代码的存储方式）。上面我们提到了，计算机并不能区分Unicode和ASCII，但是UTF-8却可以，UTF-8的最大特点就是它是一个1-4字节可变长的编码方式，可以根据不同的符号而变化所需要的字节长度。

UTF-8的两条编码规则：   ① 对于单字节的符号，字节的第一位设为0，后面7位为这个符号的 Unicode 码。因此对于英语字母，UTF-8 编码和 ASCII 码是相同的。

  ② 对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的 Unicode 码，多出位补0。   以瑞字为例，它的Unicode编码是0x745E，转为二进制为111010001011110共15位，也就是至少需要两个字节表示。按着UTF-8的编码规范可以知道瑞字Unicode对应的UTF-8编码为：111001111001000110011110，转为十六进制为E791E9。 （汉字对应表）

在进行中文编码之前，需要了解三个概念以及他们之间的关系

三者之间的联系：    国标码 = 区位码转十六进制 + 0x2020    机内码 = 国标码 + 0x8080

  GB2312：是中国制定的GB2312-80的简称，其中一共收纳了7445个字符，包括6763个汉字以及682个其他符号。GB2312编码都由2字节构成。GB2312详细请参看区位码部分。

  GB13000：包含GB2312已有的文字和其他很多为包含的文字，如GB2312-80推出以后才简化的汉字。

  GBK：后面微软对GB2312-80扩展，利用起未使用的编码空间，收录了所有Unicode及GB13000中的汉字全部字符。GBK 亦采用双字节表示，总体编码范围为 8140-FEFE，首字节在 81-FE 之间，尾字节在 40-FE 之间，剔除 xx7F 一条线。总计 23940 个码位，共收入 21886 个汉字和图形符号，其中汉字（包括部首和构件）21003 个，图形符号 883 个

   LCD的显示原理是及其复杂的，但是对于软件开发来说我们不需要了解那么多，我们只需要知道LCD的基本原理就可以了。对于一个屏幕来说，我们只需要将他看成一张白纸即可，我们的显示无疑就是在这个白纸上画一个一个的点。点的有序排列既可以显出出我们所看到的汉字或者各种图像。

   其实我们汉字的显示就是这样的，首先我们对相应的汉字取模的过程就是将一个汉字转成了一个数组，数组中对应的16进制转成2进制之后的0、1排列就是对应显示屏上的点阵点亮还是熄灭。

   了解了编码规范之后，接下来说一下GBK编码应该如何解码。上面说到，每一个GBK编码都是由2个字节组成：

其中第一字节代表的意义称为区，因此GBK里面总共有126个区（0xEF-0x81+1=126）。第二个字节代表的意义是每个区内有多少个汉字，总共有190（0xFE-0x80+0x7E-0x40+2=190）个。观察第二部分可以看到0x7F和0xFF两个字节不存在，但是为了能够线性查找我们暂且认为这两个字节也是存在的，那么每个区就有192个汉字。   知道了GBK的编码之后，我们就能够在字库中找到对应汉字的偏移量，方法如下：    以上代码应该还算简单易懂，GBKH-=0x81的目的是找到汉字对应的区，GBKL同理找到字所在区内的位置。已知每个区有192个汉字，每个1616大小的汉字占32字节（1616/8=32）。即可算出我们所查找的汉字的偏移量。

  上文已经说到区位码、国标码以及机内码，并且说明了三者之间的关系。在这里主要描述一下GB2312的字库寻址原理，同时通过寻址的过程了解一下三者的具体含义。   首先我们使用UltraEdit打开一个文件并写入一个汉字“瑞”，通过软件的16进制编辑功能我们可以看到瑞的机内码为0xC8F0，如下图： 通过我们上面介绍的三者关系我们可以得到，瑞字的国标码为0x4870，区位码为0x2850（转为十进制为4080）。通过上文的软件进行验证，如下图： 经过我们的计算及验证，我们可以知道瑞字在GB2312区位图中的40区80位。如此便可以找到我们需要找的字。   具体算法及示例如下（以16*16为例）：