全国计算机应用基础知识：汉字、字符编码

全国计算机应用基础知识：汉字、字符编码

　　（1）计算机中的信息单位

　　计算机中对信息表示的单位有位、字、字长及字节等，它们是用来表示信息量的大小的基本概念。

　　① 位：计算机中数据存储的最小单位是一个二进制位，简称位，英文为bit，音译为比特，可用小写字母b表示。

　　② 字节：八位二进制位称为一个字节，英文为Byte，可用大写字母B表示，是计算机存储的基本单位。一个字节的八位二进制数，其位编号自左至右为b7、b6、b5、b4、b3、b2、b1、b0。在计算机中，往往用字节数来表示存储容量，容量可以以KB、MB、GB、TB为单位，它们相互之间的转换关系如下：,　　1KB=210B=1024B,　　1MB=210KB=1024KB,　　1GB=210MB=1024MB,　　1TB=210GB=1024GB

　　③ 字：计算机在存储、传送或操作时，作为一个整体单位进行操作的一组二进制，称为一个计算机字，简称字。

　　④ 字长：每个字所包含的位数称为字长。由于字长是计算机一次可处理的二进制数的位数，因此它与计算机处理数据的速率有关，是衡量计算机性能的一个重要因素。

　　（2）字符的编码。

　　① ASCII码。

　　计算机只能识别二进制数，因此计算机中的数字、字母、符号也必须用二进制进行编码。编码方法有多种，微型机中普遍采用的是ASCII码（美国标准信息交换码），ASCII码现已被国际标准化组织（ISO）接收为国际标准，称为ISO-646。ASCII码有7位版本和8位版本两种，国际上通用的ASCII码是7位版本。7位版本的ASCII码包含10个阿拉伯数字、52个英文大小写字母、32个标点符号和运算符及34个控制码，共128个字符，所以可用7位二进制数表示。7位ASCII码字符如下图所示：

　　要确定一个数字、字母、符号或控制字符的ASCII码，可在表中先找出它的位置，然后确定它所对应的十进制值或二进制值。例如小写字母“a”的ASCII码其十进制值是97，二进制值是1100001B（B表示二进制数），若转换成十六进制，其值是61H（H表示十六进制数）。从表中可以看出，数字0～9的ASCII码是30H～39H（后缀H表示是十六进制数），大写字母A～Z的ASCII码是41H～5AH，小写字母a～z的ASCII码是61H～7AH。字符大小的比较就是看它的ASCII码值的大小。

　　表中，NUL、BEL、LF、FF、CR、DEL等是控制字符，NUL表示空，BEL是告警符，BS是退格符，LF是换行符，FF是换页符，CR是回车符，SP是空格符，DEL是删除符。

　　② BCD码。

　　用计算机处理数字时，要进行二进制与十进制的相互转换，这就要用二进制对十进制数进行编码，BCD（Binary Coded Decimal）码是二进制编码的十进制数。最常用的BCD码就是8421BCD码，

　　它是用4位二进制数为一组表示一个十进制数字，4位二进制数从左到右其位权依次为8、4、2、1，它可以组合成16种状态，对0～9这10个数字的编码只取0000～1001这前10种状态，其余6种状态不用。为了能对一个多位十进制数进行编码，需要有和十进制数的位数一样多的4位二进制组，按顺序分别进行编码。表1-4表示8421BCD码与十进制数的对应关系。

　　③ Unicode编码,　　ASCII码提供了128个字符，扩展的ASC码提供了256个字符，但用来表示世界各国的文字编码还显得不够，还需要表示更多的字符和意义，因此又出现了Unicode编码。

　　Unicode是一种16位的编码，能够表示65000多个字符或符号。目前世界上的各种语言一般所使用的.字母或符号在34000个左右，所以Unicode编码可以用于任何一种语言。Unicode编码与现在流行的ASCII码完全兼容，二者的前256个符号是一样的。

　　（3）汉字的编码

　　汉字是一种象形文字，字数极多（现代汉字中仅常用字就有六七千个，总字数高达5万个以上），且字形复杂，每一个汉字都有“音、形、义”三要素，同音字、异体字也很多，这些都给汉字的计算机处理带来了很大的困难。要在计算机中处理汉字，必须解决以下几个问题：首先，是汉字的输入，即如何把结构复杂的方块汉字输入到计算机中去，这是汉字处理的关键；其次，汉字在计算机内如何表示和存储，如何与西文兼容；最后，如何将汉字的处理结果从计算机内输出。为此，必须将汉字代码化，

　　即对汉字进行编码。对应于上述汉字处理过程中的输入、内部处理及输出这3个主要环节，每一个汉字的编码都包括输入码、交换码、内部码和字形码。在计算机的汉字信息处理系统中，处理汉字时要进行如下的代码转换：输入码→交换码→内部码→字形码。以上简述了对汉字进行计算机处理的基本思想和过程，下面具体介绍汉字的4种编码。

　　① 输入码。

　　为了利用计算机上现有的标准西文键盘来输入汉字，必须为汉字设计输入编码。输入码也称为外码。目前，已申请专利的汉字输入编码方案有六七百种之多，而且还不断有新的输入方法问世，以至于有“万码奔腾”之喻。按照不同的设计思想，可把这些数量众多的输入码归纳为四大类：数字编码、拼音码、字形码和音形码。其中，目前应用最广泛的是拼音码和字形码。

　　a. 数字编码：数字编码是用等长的,　　数字串为汉字逐一编号，以这个编号作为汉字的输入码，如区位码、电XX等都属于数字编码。此种编码的编码规则简单，易于与汉字的内部码转换，但难于记忆，仅适用于某些特定部门。

　　b. 拼音码：拼音码是以汉字的读音为基础的输入码。拼音码使用方法简单，一学就会，易于推广，缺点是重码率较高（因汉字同音字多），在输入时常要进行屏幕选字，对输入速度有影响。拼音码是按照汉语拼音编码输入，因此在输入汉字时，要求读音标准，不能使用方言。拼音码特别适合于对输入速度要求不是太高的非专业录入人员。

　　c. 字形码：字形码是以汉字的字形结构为基础的输入编码。在微型计算机上广为使用的五笔字型码（王码）是字形码的典型代表。五笔字型码的主要特点为输入速度快，目前最高纪录为每分钟输入293个汉字（该记录为XXXX一女兵所保持），如此高的输入速度已达

　　到人眼扫描的极限。但这种输入方法因要记忆字根、练习拆字，前期学习花费的时间较多。此外，有极少数的汉字拆分困难，给出的编码与汉字的书写习惯不一致。

　　d. 音形码：音形码是兼顾汉字的读音和字形的输入编码。目前使用较多的音形码是自然码。

　　② 交换码。,　　交换码用于汉字外码和内部码的交换。我国于1981年颁布的《信息交换用汉字编码字符集・基本集》（代号为GB2312―1980）是交换码的国家标准，所以交换码也称为国标码。国标码是双字节代码，即有两个字节为一个汉字编码，每个字节的最高位为“1”。国标GB2312―1980收入常用汉字6763个（其中一级汉字3755个，按拼音顺序排列；二级汉字3008个，按部首顺序），其他字母及图形符号（如序号、数字、罗马数字、英文字母、日文假名、俄文字母,　　和汉语注音等）682个，总计7445个字符。将这7445个字符按94行×94列排列在一起，组成GB2312―1980字符集编码表，表中的每一个汉字都对应于唯一的行号（称为区号）和列号（称为位号），根据区位号确定汉字的国标码值，分别用两个字节存放。由于篇幅所限，本书未列出GB2312―1980字符编码表，读者可参看有关书籍。

　　③ 内部码。

　　内部码是汉字在计算机内的基本表示形式，是计算机对汉字进行识别、存储、处理和传输所用的编码。内部码也是双字节编码，将国标码两个字节的最高位都置为“1”，即转换成汉字的内部码。计算机信息处理系统就是根据字符编码的最高位是“1”还是“0”来区分汉字字符和ASCII码字符的。

　　④ 字形码。

　　字形码是表示汉字字形信息（汉字的结构、形状、笔画等）的编码，用来

　　实现计算机对汉字的输出（显示、打印）。由于汉字是方块字，因此字形码最常用的表示方式是点阵形式，有16×16点阵、24×24点阵和48×48点阵等。例如，16×16点阵的含义为：有256个点（16× 16=256）来表示一个汉字的字形信息，每个点有“亮”或“灭”两种状态，用一个二进制数的“1”或“0”来对应表示。因此，存储一个16×16点阵的汉字需要256个二进制位，共32个字节（256位/8位）。以上的点阵可根据汉字输出的不同需要进行选择，点阵的点数越多，输出的汉字就越精确、美观。汉字的字形点阵要占用大量的存储空间，通常将其以字库的形式存放在机器的外存中，需要时才检索字库，输出相应汉字的字形。