C++爱好者 - 网友留言

现在的中文系统都使用的是 GBK 编码，不是以前的 GB2312 了

你说的是最早的汉字标准 GB2312, 最早的 DOS 版本的软件大部分采用这个编码，包括常用的简化汉字。
  GB2312 的编码范围：第一个字节(LeadByte) 的范围 0xa1～0xf7 (161～247)
                     第二个字节(TrailByte) 的范围 0xa1～0xfe (161～254)

从 Windows 95 之后，系统采用的编码是 GBK, 除了完全包括 GB2312 的常用简化汉字之外，还包括了一些不常用的汉字和繁体字
  GBK 的编码范围：第一个字节(LeadByte) 的范围 0x81～0xfe (129～254)
                  第二个字节(TrailByte) 的范围分两段 0x40～0x7e 和 0x80～0xfe (64～126 和 128～254)

例如“玠”字的编码是 0xab,0x64 (171,100) 属于第二个字节 (TrailByte) 在 0x40～0x7e 这个范围的汉字编码

现在大部分系统采用的是 GBK 编码，即使是 GBK，在 GB2312 的基础上增加了很多的汉字，但是仍然不能包括所有的汉字，很多系统都支持 GB18030 的复杂汉字编码，虽然国家已经规定不支持 GB18030 编码的软件不让上市，但现在多数软件还都没采用，只有操作系统和一些大型软件企业支持，Windows 可以通过安装微软的 GBEXTSUP 支持 18030 编码，这种复杂编码是一个汉字2个字节到3个字节，这种编码编程也特别麻烦，一个字可能是1个字节、2个字节或者3个字节，这样的汉字用 LeadByte 和 TrailByte 已经不能正确描述了。

以上编码都是指 AnsiString 类型的字符串(char类型的) 说的，对于 WideString 字符串(wchar_t类型的)就非常简单了。

判断汉字的最简单的方法是转成 WideString, 即 Unicode 编码：所有国家的语言都统一编码，这种编码对于每一种语言或者符号类型都给特定的编码范围，判断特别容易，Unicode 的每个字符(wchar_t) 的范围如果在 0x4e00～0x9fa5 和 0xe815～0xfa29 之间是纯粹的汉字，不包括符号，这些汉字是 GBK 编码范围之内的汉字，不包括符号。如果范围在 0x3400～0x4db5 之间是 GB18030 扩充的汉字，另外 GB18030 里面还有我国少数民族的文字，例如彝文、蒙文等，在 Unicode 编码里也能找到对应位置。别的国家的文字，例如朝鲜语、阿拉伯语等，在 Unicode 里都有相应的位置。各国家语言的符号也可以在 Unicode 编码里面找到对应的位置。

所以建议用 WideString (用 Unicode 编码) 判断文字的类型，对于所有的编码都适用，而且还特别简单。

--------------------next---------------------