技术的乐趣在于分享，欢迎多多交流，多多沟通。
全部博文（877）
分类： 嵌入式
2014-08-25 14:02:10
GB18030有两个版本：GB18030-2000和GB18030-2005。在本文中，没有指明版本的GB18030是指GB18030-2005。本文讨论了以下问题：
在讨论这些问题前，我们先约定一下码位空间的表示方法。
GBK是双字节编码，每个字符用两个字节表示。GB18030是多字节字符集，它的字符可以用一个、两个或四个字节表示。码位空间由各字节的范围确定。例如：GB18030的四字节字符码位空间是：
为了表述方便，我们用0x81308130~0xFE39FE39表示这个码位空间。也就是说：在本文中0x81308130~0xFE39FE39所指的并不是从0x81308130到0xFE39FE39的连续2097773834（0xFE39FE39-0x81308130+1）个字节。在本文中，0x81308130~0xFE39FE39所指的是编码的各字节在对应范围内的码位空间，这个码位空间的码位数目是：
(0xFE-0x81+1)*(0x39-0x30+1)*(0xFE-0x81+1)*(0x39-0x30+1)=126*10*126*10=1587600
同理，0xB0A1~0xF7FE代表的码位空间是第一字节在0xB0~0xF7之间，第二字节在0xA1~0xFE之间的所有码位。这个码位空间的码位数目是：
(0xF7-0xB0+1)*(0xFE-0xA1+1)=72*94=6768
这个码位空间就是GBK和GB18030的2区，在这6768个码位中定义了6763个字符。
本文用~表示上述码位空间，用-表示一般的范围，即：
读者如果已经理解了上面的约定，请完成下面两个习题：
以下是习题0.2的答案：
GB18030双字节字符的码位空间就是0x8140~0xFE7E和0x8180~0xFEFE，双字节字符的码位数目是7938+16002=23940。0x8140~0xFE7E和0x8180~0xFEFE也是GBK的全部码位空间。GBK在这23940个码位中定义了21886个字符。
GBK是双字节编码方案。它的码位空间就是前面所说的0x8140~0xFE7E和0x8180~0xFEFE，一共23940个码位。在这23940个码位上定义了21886个字符，包括21003个汉字和883个图形符号。详细讨论了这21003个汉字。 本文的第3节会讨论GB2312、GBK和GB18030的图形符号。
GBK的码位空间可以划分为以下区域：
| 类别 | 区名 | 码位范围 | 码位数 | 字符数 |
| 符号区 | 1区 | 0xA1A1~0xA9FE | 846 | 717 |
| 5区 | 0xA840~0xA97E和0xA880~0xA9A0 | 192 | 166 | |
| 汉字区 | 2区 | 0xB0A1~0xF7FE | 6768 | 6763 |
| 3区 | 0x8140~0xA07E和0x8180~0xA0FE | 6080 | 6080 | |
| 4区 | 0xAA40~0xFE7E和0xAA80~0xFEA0 | 8160 | 8160 | |
| 用户自定义区 | 用户区1 | 0xAAA1~0xAFFE | 564 | |
| 用户区2 | 0xF8A1~0xFEFE | 658 | ||
| 用户区3 | 0xA140~0xA77E和0xA180~0xA7A0 | 672 |
我制作了一个Excel文件：。这个文件包含3张表格：
GBK的23940个码位定义了21886个字符，还有23940-21886=2054个空闲码位，这2054个码位都被映射到Unicode的PUA。在设计GBK时，GBK的21886个字符中有95个在Unicode中没有对应字符，所以这95个字符也被映射到Unicode的PUA。在GBK的23940个码位中，一共有2054+95=2149个码位被映射到PUA，对应的PUA编码是0xE000-0xE864。0xE000-0xE864就是2149个码位。这2149个码位的分配有以下规律：
| 码位所在区域 | 码位数量 | 映射到的PUA范围 |
| 用户区1：0xAAA1~0xAFFE | 564 | 0xE000-0xE233 |
| 用户区2：0xF8A1~0xFEFE | 658 | 0xE234-0xE4C5 |
| 用户区3：0xA140~0xA77E和A180-A7A0 | 672 | 0xE4C6-0xE765 |
| 符号区（1区和5区）的170个空闲码位 | 170 | 0xE766-0xE80F |
| 2区的5个空闲码位：0xD7FA-0xD7FE | 5 | 0xE810-0xE814 |
| 4区的80个Unicode当时没有定义的字符：FE50-FE7E和FE80-FEA0 | 80 | 0xE815-0xE864 |
包含两张表格：
GB18030是多字节字符集，它的字符可以用一个、两个或四个字节表示。GB18030的码位定义如下：
| 字节数 | 码位空间 | 码位数 | 字符数 |
| 单字节 | 0x00~0x7F | 128 | 128 |
| 双字节 | 0x8140~0xFE7E和0x8180~0xFEFE | 23940 | 21897 |
| 四字节 | 0x81308130~0xFE39FE39 | 1587600 | 54531 |
GB18030有128+23940+1587600=1611668个码位。Unicode的码位数目是0x110000（1114112），少于GB18030。所以，GB18030有足够的空间映射Unicode的所有码位。
GB18030的1611668个码位目前定义了128+21897+54531=76556个字符。Unicode 5.0定义了99089个字符。
GB18030编码可以分为：单字节部分、双字节部分和四字节部分。单字节部分与Unicode的0x00-0x7f完全相同。双字节部分与GBK有两点差异：
Unicode的BMP一共有65536个码位。其中代理区（0xD800-0xDFFF）有2048个码位，这2048个码位是不能定义字符的。GB18030的单字节部分映射了128个码位，GB18030的双字节部分映射了23940个码位。还剩下65536-2048-128-23940=39420个码位。
GB18030将这39420个码位顺序映射到从0x81308130开始的码位空间。GB18030将Unicode的16个辅助平面（0x10000-0x10FFFF，一共1048576个码位）顺序映射到从0x90308130开始的码位空间。GB18030四字节部分中只有这两个区域定义了字符，其它空间都是保留区和自定义区。本文的第3节和第4节还会详细讨论GB18030的双字节和四字节部分。
GB18030的设计思路可以概括到以下几点：
在GB18030目前定义的76556个字符中，只有24个字符被定义到Unicode的PUA区。这24个字符包括1区的10个竖排标点符号（0xA6D9-0xA6DF、0xA6EC-0xA6ED和0xA6F3）和4区的14个汉字（0xFE51、0xFE52、0xFE53、0xFE59、0xFE61、0xFE66、0xFE67、0xFE6C、0xFE6D、0xFE76、0xFE7E、0xFE90、0xFE91、0xFEA0）。4区的14个汉字在Unicode 5.0中其实也可以找到非PUA的编码，详见。但按照GB18030，它们还是应该映射到PUA码位。
GB18030-2005与GB18030-2000的编码体系结构是完全相同的。GB18030-2005相对于GB18030-2000主要有以下变化:
其中?的编码调整比较有意思。?的GB18030编码是0xA8BC，?在Unicode 5.0的编码是0x1E3F。 在GB18030-2000中0xA8BC被映射到Unicode的0xE7C7，因为双字节部分没有映射0x1E3F，所以它作为BMP的未映射字符被放到四字节部分的0x8135F437。GB18030-2005将0xA8BC映射到0x1E3F，那么Unicode码位0xE7C7怎么办呢？为了最小化对原来编码的影响，设计者将Unicode码位0xE7C7映射到本来映射0x1E3F的0x8135F437。
GB18030已经映射了Unicode的所有码位，所以不管Unicode怎么变化，GB18030不过就是在现在的码位上增加一些字形而已，编码不会变化。只有现在还映射到PUA的24个字符以后可能会调整到非PUA码位。调整方法应该与?的调整方法相同。
前面已经介绍过GB18030双字节部分与GBK的区别，本小节再提一些细节。前面也说过，GB18030映射了Unicode除代理区外的所有码位。 所以，Unicode BMP的6400个PUA码位在GB18030中都有对应的码位。GB18030双字节部分映射了2067个PUA码位。
前面说过，GBK映射了2149个PUA码位。现在GB18030双字节部分映射了2067个PUA码位。所以有2149-2067=82个字符的映射发生了变化。GBK原来有95个字符映射到PUA，其中81个字符在GB18030中被映射到非PUA码位。余下的14个汉字就是提到的那14个汉字（0xFE51、0xFE52、0xFE53、0xFE59、0xFE61、0xFE66、0xFE67、0xFE6C、0xFE6D、0xFE76、0xFE7E、0xFE90、0xFE91、0xFEA0）。列出了这些字符的编码变化。82个映射变化的码位，除了这81个外，还有一个就是欧元符号：GB18030编码是0xA2E3，Unicode编码是0x20AC。码位0xA2E3在GBK中被映射到0xE76C，GBK的码位0xA2E3没有定义字符。
GB18030双字节部分与Unicode的映射没有规律，只能通过查表方法映射。
GB18030四字节部分的字符可以见GB18030-2005的“表3 四字节部分的码位安排”，一共54531个字符。GB18030四字节部分的码位可以见GB18030-2005的“7.3 四字节部分字符的排列顺序”。其中定义字符的只有两个区域：
为了叙述方便，本文将0x81308130~0x8439FE39称作“BMP扩展部分”，将0x90308130~0xE339FE39称作“辅助平面部分”。GB18030四字节部分的码位空间是0x81308130~0xFE39FE39。第二字节有(0x39-0x30+1)=10个可能值。第三字节有(0xFE-0x81+1)=126个可能值。第四字节也是(0x39-0x30+1)=10个可能值。为了方便下面的演算，本文为这个码位空间定义几个名词：
四字节部分一共有(0xFE-0x81+1)=126个一级区。BMP扩展部分有4个一级区。辅助平面部分有84个一级区。还有38个一级区是保留区或自定义区。
BMP扩展部分占据四字节部分开头的4个一级区，一共有4*12600=50400个码位。这段空间的Unicode映射说起来还是很简单的，就是顺序映射单字节、双字节没有映射过的BMP码位。这些映射关系在GB18030-2000中确定下来。以后的调整（例如?）只是个别字符，不会影响其它字符的位置。但是因为双字节字符已经映射过的BMP码位没有什么规律，所以造成BMP扩展部分的Unicode映射也不能用公式换算，还是要查表解决。
显然这50400个码位中只用到了39420个码位，其余码位都是保留的。出于好玩，我们来计算一下最后一个非保留码位（0xFFFF）的位置，计算过程如下：
所以Unicode编码0xFFFF映射的GB18030码位是0x8431A439。在BMP扩展部分中，0x8431A439以后的码位都是保留码位。上述计算中，/表示整除（例如5/3=1），%表示取余（例如5%3=2）。
辅助平面部分用84个一级区（0x90308130~0xE339FE39）直接映射Unicode的16个辅助平面。这部分映射是可以直接用公式计算的。让我们看看怎么计算。
给出了GB18030和Unicode的映射表。这个Excel文件是在网友谢振斌先生的基础上制作的，包含3张表格：
在研究GB18030编码的过程中，我整理了GB2312、GBK和GB18030在1区和5区的图形符号，制作了。这个Excel文件包含3张表格：
通过本文的介绍，读者可以回答开头的问题了吗？
无论是Windows XP还是Vista，中文（中国）区域对应的默认代码页还是GBK。我们只能设置区域，并不能设置区域对应的默认代码页。 所以在Windows世界，只要微软不愿意，GB18030就只是一张普通的代码页。目前的简体中文文档使用的编码主要是Unicode和GBK，应该没有什么文档会用GB18030保存。本文只是出于程序员的好奇而对GB18030编码所作的一些研究，希望能对同样好奇的读者有所助益。
