全國計算機應用基礎知識：漢字、字符編碼

　　（1）計算機中的信息單位

計算機中對信息表示的單位有位、字、字長及字節等，它們是用來表示信息量的大小的基本概念。

① 位：計算機中數據存儲的最小單位是一個二進制位，簡稱位，英文為bit，音譯為比特，可用小寫字母b表示。

② 字節：八位二進制位稱為一個字節，英文為Byte，可用大寫字母B表示，是計算機存儲的基本單位。一個字節的八位二進制數，其位編號自左至右為b7、b6、b5、b4、b3、b2、b1、b0。在計算機中，往往用字節數來表示存儲容量，容量可以以KB、MB、GB、TB為單位，它們相互之間的轉換關係如下：

1KB=210B=1024B

1MB=210KB=1024KB

1GB=210MB=1024MB

1TB=210GB=1024GB

③ 字：計算機在存儲、傳送或操作時，作為一個整體單位進行操作的一組二進制，稱為一個計算機字，簡稱字。

④ 字長：每個字所包含的位數稱為字長。由於字長是計算機一次可處理的二進制數的位數，因此它與計算機處理數據的速率有關，是衡量計算機性能的一個重要因素。

　　（2）字符的編碼。

① ASCII碼。

計算機只能識別二進制數，因此計算機中的數字、字母、符號也必須用二進制進行編碼。編碼方法有多種，微型機中普遍採用的是ASCII碼（美國標準信息交換碼），ASCII碼現已被國際標準化組織（ISO）接收為國際標準，稱為ISO-646。ASCII碼有7位版本和8位版本兩種，國際上通用的ASCII碼是7位版本。7位版本的ASCII碼包含10個阿拉伯數字、52個英文大小寫字母、32個標點符號和運算符及34個控制碼，共128個字符，所以可用7位二進制數表示。7位ASCII碼字符如下圖所示：

要確定一個數字、字母、符號或控制字符的ASCII碼，可在表中先找出它的位置，然後確定它所對應的十進制值或二進制值。例如小寫字母“a”的ASCII碼其十進制值是97，二進制值是1100001B（B表示二進制數），若轉換成十六進制，其值是61H（H表示十六進制數）。從表中可以看出，數字0～9的ASCII碼是30H～39H（後綴H表示是十六進制數），大寫字母A～Z的ASCII碼是41H～5AH，小寫字母a～z的ASCII碼是61H～7AH。字符大小的比較就是看它的ASCII碼值的大小。

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是換行符，FF是換頁符，CR是回車符，SP是空格符，DEL是刪除符。

② BCD碼。

用計算機處理數字時，要進行二進制與十進制的相互轉換，這就要用二進制對十進制數進行編碼，BCD（Binary Coded Decimal）碼是二進制編碼的十進制數。最常用的BCD碼就是8421BCD碼，

它是用4位二進制數為一組表示一個十進制數字，4位二進制數從左到右其位權依次為8、4、2、1，它可以組合成16種狀態，對0～9這10個數字的編碼只取0000～1001這前10種狀態，其餘6種狀態不用。為了能對一個多位十進制數進行編碼，需要有和十進制數的位數一樣多的4位二進制組，按順序分別進行編碼。表1-4表示8421BCD碼與十進制數的對應關係。

表1-4 BCD碼與十進制數的對應關係

③ Unicode編碼

ASCII碼提供了128個字符，擴展的ASC碼提供了256個字符，但用來表示世界各國的文字編碼還顯得不夠，還需要表示更多的字符和意義，因此又出現了Unicode編碼。

Unicode是一種16位的編碼，能夠表示65000多個字符或符號。目前世界上的各種語言一般所使用的字母或符號在34000個左右，所以Unicode編碼可以用於任何一種語言。Unicode編碼與現在流行的ASCII碼完全兼容，二者的前256個符號是一樣的。

　　（3）漢字的編碼

漢字是一種象形文字，字數極多（現代漢字中僅常用字就有六七千個，總字數高達5萬個以上），且字形複雜，每一個漢字都有“音、形、義”三要素，同音字、異體字也很多，這些都給漢字的計算機處理帶來了很大的困難。要在計算機中處理漢字，必須解決以下幾個問題：首先，是漢字的輸入，即如何把結構複雜的.方塊漢字輸入到計算機中去，這是漢字處理的關鍵；其次，漢字在計算機內如何表示和存儲，如何與西文兼容；最後，如何將漢字的處理結果從計算機內輸出。為此，必須將漢字代碼化，

即對漢字進行編碼。對應於上述漢字處理過程中的輸入、內部處理及輸出這3個主要環節，每一個漢字的編碼都包括輸入碼、交換碼、內部碼和字形碼。在計算機的漢字信息處理系統中，處理漢字時要進行如下的代碼轉換：輸入碼→交換碼→內部碼→字形碼。以上簡述了對漢字進行計算機處理的基本思想和過程，下面具體介紹漢字的4種編碼。

① 輸入碼。

為了利用計算機上現有的標準西文鍵盤來輸入漢字，必須為漢字設計輸入編碼。輸入碼也稱為外碼。目前，已申請專利的漢字輸入編碼方案有六七百種之多，而且還不斷有新的輸入方法問世，以至於有“萬碼奔騰”之喻。按照不同的設計思想，可把這些數量眾多的輸入碼歸納為四大類：數字編碼、拼音碼、字形碼和音形碼。其中，目前應用最廣泛的是拼音碼和字形碼。

a. 數字編碼：數字編碼是用等長的

數字串為漢字逐一編號，以這個編號作為漢字的輸入碼，如區位碼、電XX等都屬於數字編碼。此種編碼的編碼規則簡單，易於與漢字的內部碼轉換，但難於記憶，僅適用於某些特定部門。

b. 拼音碼：拼音碼是以漢字的讀音為基礎的輸入碼。拼音碼使用方法簡單，一學就會，易於推廣，缺點是重碼率較高（因漢字同音字多），在輸入時常要進行屏幕選字，對輸入速度有影響。拼音碼是按照漢語拼音編碼輸入，因此在輸入漢字時，要求讀音標準，不能使用方言。拼音碼特別適合於對輸入速度要求不是太高的非專業錄入人員。

c. 字形碼：字形碼是以漢字的字形結構為基礎的輸入編碼。在微型計算機上廣為使用的五筆字型碼（王碼）是字形碼的典型代表。五筆字型碼的主要特點為輸入速度快，目前最高紀錄為每分鐘輸入293個漢字（該記錄為XXXX一女兵所保持），如此高的輸入速度已達

到人眼掃描的極限。但這種輸入方法因要記憶字根、練習拆字，前期學習花費的時間較多。此外，有極少數的漢字拆分困難，給出的編碼與漢字的書寫習慣不一致。

d. 音形碼：音形碼是兼顧漢字的讀音和字形的輸入編碼。目前使用較多的音形碼是自然碼。

② 交換碼。

交換碼用於漢字外碼和內部碼的交換。我國於1981年頒佈的《信息交換用漢字編碼字符集·基本集》（代號為GB2312—1980）是交換碼的國家標準，所以交換碼也稱為國標碼。國標碼是雙字節代碼，即有兩個字節為一個漢字編碼，每個字節的最高位為“1”。國標GB2312—1980收入常用漢字6763個（其中一級漢字3755個，按拼音順序排列；二級漢字3008個，按部首順序），其他字母及圖形符號（如序號、數字、羅馬數字、英文字母、日文假名、俄文字母

和漢語注音等）682個，總計7445個字符。將這7445個字符按94行×94列排列在一起，組成GB2312—1980字符集編碼表，表中的每一個漢字都對應於唯一的行號（稱為區號）和列號（稱為位號），根據區位號確定漢字的國標碼值，分別用兩個字節存放。由於篇幅所限，本書未列出GB2312—1980字符編碼表，讀者可參看有關書籍。

③ 內部碼。

內部碼是漢字在計算機內的基本表示形式，是計算機對漢字進行識別、存儲、處理和傳輸所用的編碼。內部碼也是雙字節編碼，將國標碼兩個字節的最高位都置為“1”，即轉換成漢字的內部碼。計算機信息處理系統就是根據字符編碼的最高位是“1”還是“0”來區分漢字字符和ASCII碼字符的。

④ 字形碼。

字形碼是表示漢字字形信息（漢字的結構、形狀、筆畫等）的編碼，用來

實現計算機對漢字的輸出（顯示、打印）。由於漢字是方塊字，因此字形碼最常用的表示方式是點陣形式，有16×16點陣、24×24點陣和48×48點陣等。例如，16×16點陣的含義為：有256個點（16× 16=256）來表示一個漢字的字形信息，每個點有“亮”或“滅”兩種狀態，用一個二進制數的“1”或“0”來對應表示。因此，存儲一個16×16點陣的漢字需要256個二進制位，共32個字節（256位/8位）。以上的點陣可根據漢字輸出的不同需要進行選擇，點陣的點數越多，輸出的漢字就越精確、美觀。漢字的字形點陣要佔用大量的存儲空間，通常將其以字庫的形式存放在機器的外存中，需要時才檢索字庫，輸出相應漢字的字形。