GB2312编码（为什么要加2020H、8080H，外码→内码→交换码→字形码）

为什么要加上2020H和8080H？

区位码、内码、国标码怎么转换非常简单，但是令人迷惑的是为什么要那么转换？这种转换不可能平白无故地那样转换！

我搜索很多资料，找到最好的解释，总结如下：

        首先，注意到一点，GB2312虽说是对中文编码，但是里面有对26个英文字母和一些特殊符号的编码，按理说这和ASCII重合的部分应该无需设置，沿用ASCII中不就行了？但是当时在制定GB2312之前，就决定覆盖掉ASCII中符号和英文字母部分，所以将其中的英文字母和符号重新编入GB2312中。而对于ASCII中前32个控制字符则继续沿用。所以保留前32字符，就需要将汉字编码向后偏移32，十六进制20H，这也就是区位码要加上20H得到国标码，这就是GB2312的编码规范。

       而这样产生一个弊端，某些早期用ASCII码编码的英文文章无法打开，一打开就是乱码，也就是说应该要兼容早期ASCII码而不是覆盖它！为了解决这个问题，将字节的最高位设为1，因为ASCII中使用7位，最高位为0。这样就区分开了ASCII和GB2312。这也是为什么要加上8080H。 其实我们说国标码才是GB2312的规范编码，后来的内码是微软为了解决冲突问题而采用的方式，本质上是修改了GB2312的编码标准，而这种方法最后产生的编码最后就被一些教科书称为内码

【扩展】

你需要先了解汉字的输入、存储、交换与显示过程：外码→内码→交换码→字形码。
外码：又称输入码，我们平常用的拼音输入和五笔输入法所敲打的字母。
内码：计算机存储信息是二进制的，输入的汉字要转化成二进制的形式，它们的集合就叫字符集。
交换码：又称国标码，是和别的计算机交换信息时使用的编码。
字形码：又称汉字字模，把二进制的汉字编码还原为可视的图形，它们的集合又叫字库。

下面说英文与汉字处理的区别：

1、外码
      英文的字母只有26个，可以直接用键盘表示，直接通过译码电路转换为内码，但有些国家的拼音字母不止26个，要么制作一个特殊的键盘，要么和汉字那样的输入一串符号来表示一个字符，这一串符号就叫输入码。

 

2、内码
      先说拼音字母，同样的理由，英文字母只有26个，加上大小写的区别，数字，标点，再加上一些特殊符号，如空白、回车等，很容易构成一个有128个字符的单字节存储的ASCII字符集，这个是美国的标准，还有IBM自己的标准EBDIC字符集，这样同一个二进制数还原成字符就至少有两种可能，比如二进制数01001110，在ASCII中代表大写字母N，在EBCDIC中却是加号＋。

       ASCII编码在运用中是以字节（8位）来处理的，实际上用7位二进制数就可以表示出128个符号，最高位都是以0填充的，但是只用掉7位来表示不是浪费么？比如有些国家不止26个字母，需要增加。货币符号也不一样，比如英镑￡。最高位是1的话，一个字节就可以再表示128个符号，总计256个符号。然后就有不同的计算机厂商扩展了ASCII，这个扩展的字符集就没有统一的标准了，这样就会带来一个问题，在第128个基础字符之后的字符，同样的二进制代码，怎么还原成正确的字符？

      汉字有好几万个，单字节可编不完，但常用的就那么几千个，所以最初就有GB2312这个双字节存储的字符集，理论上可以存储16384（128*128）个字符，但后来计算机存储容量增加了，不用吝啬那点存储空间，就扩展了字符集，把繁体字啊，少数民族的字啊都加进去，形成了1~4个字节表示的GB18030字符集。港澳台还有自己的繁体字字符集，如Big5。这同样造成了识别问题。

 

     这三个问题的解决方法是内码表，又称代码页（Code Page），给不同国家的语言加个编码来区分，如37是IBM EBCDIC(US-Canada)，936是简体中文GBK，950是繁体中文Big5，1253是希腊文。这个东西可以在Windows XP的“控制面板→区域和语言选项→高级”中查看。过去玩繁体中文版的游戏，直接打开就是乱码，最直接的解决方法就是换成繁体版的操作系统来玩，但更多的时候我们是用内码转换器使游戏正常显示，比如微软官方的Microsoft AppLocale Utility软件。

 

补充说明：
         GB2312没有使用全部的128×128＝16384个字符，实际只有94×94＝8836个字符可用，最终用到了7445个。

3、交换码
        GB2312-80的全称是《中华人民共和国 国家标准 信息交换用汉字编码字符集 基本集》，本标准规定了汉字信息交换用的基本图形字符及其二进制编码表示。它适用于一般汉字处理、汉字通信等系统之间的信息交换。它把图形字符的代码表分为94个区，每个区有94位。区的编号从1～94，由第一字节标识；位的编号也是从1～94，由第二字节标识。例如汉字“啊”用16—01表示（十进制，16进制：10H，01H），这个编码称为区位码，二进制表示为00010000 00000001。

        前面讲了ASCII和GB2312两个字符集，其中GB2312为了兼容ASCII也是使用两个字节中的低7位来编码，这样会在传输时出现一个问题，ASCII从00000000到00011111这前32个字符是控制符，比如00000100是在ASCII中是控制符EOT，意思是传输结束，而在GB2312的区位码中只是表示区号04或者位号04，传输中可是没有代码页来识别你是ASCII还是GB2312，所以为了不发生冲突，在进行信息交换时在区号和位号上都加32这样就防止了冲突，加上了32以后的编码就称为交换码。还是用汉字“啊”举例，区号16+32＝48，二进制为00110000，位号01+32＝33，二进制为00100001，合起来“啊”的交换码就是00110000 00100001。

       上面讲内码时说到个识别问题，单独的英文或者中文都好解决，但如果是一篇使用半角输入的中英混合的文章怎么办？比如刚刚所举的例子，交换码00110000 00100001除了可以表示汉字“啊”，也可以表示为ASCII字符中的“0”和“!”。计算机如何识别哪个字节该用ASCII，哪个字节该用GB2312呢？所以为了以示区分，在GB2312空着的最高位置1，于是“啊”的交换码就变为了内码10110000 10100001，换成十六进制就是B0 A1，大家可以找份GB2312的内码对照表来看看是不是这样。

补充说明：
      半角和全角输入的拼音字母的二进制码是不一样的，比如半角输入的字母A，二进制码是01000001，十六进制是41，这是按ASCII字符集编码的，而全角输入的字母Ａ，二进制编码是10100011 11000001，十六进制是A3 C1，这是按GB2312字符集编码的。

 

4、字形码
这个举个例子就明白了，比如“口”字，画成8×8的点阵图就是：
00000000
01111110
01000010
01000010
01000010
01000010
01111110
00000000
这样一个“口”字需要8个字节来存储。当然这只是其中一种最简单的表示方法，常用的还有16×16、24×24和32×32等点阵字形编码。而且同一个字还有不同字体的写法，如宋体、隶书和黑体等。同一种字体除了用点阵表示，还可以用矢量来表示，比如Windows中使用的TrueType字体。