汉字GB编码,Unicode编码,区位码, 大小端

汉字GB编码，Unicode编码，区位码，大小端

汉字GB编码，是对ascii码的一个扩展, 用来表示和存储汉字。最初设计的7位ascii码以

及扩展后的8位ansi编码，只能表示控制字符，英文字母，数字和一些常用符号。于是

GB码首先被提出并用于汉字的编码表示。GB码完全兼容ascii码，但丢弃掉了ansi比ascii 所多出来的全部符号。 GB码同样采用单字节方式存储和处理，比如'A'的ascii码为0x41,

汉字'王'的GB码为0xCDF5, 那么字符串“A王”保存在一个char[4]当中的话，内容应该是[0]=0x41, [1]=0xcd, [2]=0xf5, [3]=0x00，在处理这样的字符串时，需要首先判断字节最高位，因为ascii码只占用了字节的低7位，因此最高位永远是0，所以若判断最高位为０，则按ascii码处理，若为１，则按GB码处理，需要读入连续的两个字节，则可以得到一

个GB字符，如cdf5拼起来，则得到’王’的GB码。

Unicode码，是另一套编码规则，使用2个字节来表示一个字符，可以表示2^16 = 65536

个不同的字符。 Unicode同样对ascii兼容，对每个ascii码不足16位（两个字节）的部分

补0即是相同字符的Unicode码，此外，Unicode码还定义了中文等全球N多种文字及符号, 比如王的Unicode码即为0x738b.

下面的例子说明了汉字GB和Unicode码的区别：

char cn_char_u[]={L'王'};//8b //low byte of 738b is passed to cn_char_u, x86 acts as little-endian, low byte maps low address

char cn_char[]={'王'};//f5 //low byte of cdf5 is passed to cn_char

//char cn_str_u[]={L"王"};//738b //illegal statement of assignment, not accept by compiler

char cn_str[]={"王"};//cdf5 //cn_str[0] = cd, cn_str[1] = f5, cn_str[2]= \0

WCHAR cn_str_w_u[]={L"王"}; //738b

//WCHAR cn_str_w[]={"王"}; //f5cd //illegal statement of assignment

WCHAR cn_char_w_u[] = {L'王'}; //738b

WCHAR cn_char_w[] = {'王'}; //cdf5

其中L’王’， L表示对后面的字符按照 Unicode编码处理， L被大多数编译器所支持。

第一句代码中，L’王’即为0x738b, 赋值给一个char的时候，即把低8位8b赋于char，因

为x86系列是little-endian模式。

同理，第二句则把f5赋于char变量

第三句char cn_str[]={"王"} ‘王’在这里按照GB码（Visual C默认使用GB）是0xcdf5, 所以

cn_str则为char[2+1], char[0]=0xcd, char[1]=0xf5, char[2]=0x00.

第四句WCHAR cn_str_w_u[]={L"王"}; wchar == short int, 为16位类型，因此赋值为0x738b. 第五句和第六句显而易见，不解释。

顺便提一下大小端big-endian & little-endian

计算机中不论几字节的数据类型，存储的时候最终还是要按字节进行存储。

以0x1234为例，这是一个2字节数据，存储的时候，大端情况下，0x12首先存在低地址，地址加一，再保存0x34, 即数据的大端存在低地址上。小端情况下，0x34存在低地址，地

址加一，然后再保存0x12, 即数据小端存在低地址。

汉字区位码

汉字区位码，是编制GB码的第一步。GB码除了汉字，还有继承自ascii的部分，还有符

号等其它部分，但其中的汉字部分，则是对汉字区位码按照一定规则转换所得。

规则如下：

汉字’王’的区位码是4585，区号45，位号85. 首先对区号和位号加上32，因为0－31编

码保留作它用。现在得到77和117，写作二进制为01001101和01110101，然后，为了

与ascii码区分，将这两个字节的最高位置1，得到11001101和11110101，即为0xcd和

0xf5, 因此0xcdf5即为’王’的GB码。