下载掌阅APP，畅读海量书库
立即打开
文本是计算机中最常见的一种数据形式，包括字母、标点、符号、西文字符和汉字字符等。由于计算机只能直接接受、存储和处理二进制数，所以必须将各种文本信息按照规定的编码转换成二进制数代码。
1.ASCII码 ASCII码（American standard code for information interchange，美国标准信息交换码）是由美国国家标准局提出的一种信息交换标准代码，是目前计算机中使用最广泛的西文字符编码。ASCII虽然是美国国家标准，但已经被国际标准化组织（ISO）认定为国际标准，在世界范围内通用。基本的ASCII字符集共有128个字符，其中有96个可打印字符，包括常用的字母、数字、标点符号等，另外有32个控制字符，如表1-4所示。
表1-4 标准ASCII字符编码表
续表
【例1-11】查找字母A的ASCII码。
要确定某个字符的ASCII码，在表中确定其位置后，根据其所在位置的相应列和行，将列中的高位码和行中的低位码合在一起就是该字符的ASCII码。从表1-4中查得字母A的ASCII码的高4位是0100，低4位是0001，即01000001，用十进制表示是65。按此方法，数字0的ASCII码是十进制数48，数字9的ASCII码是十进制数57等。
其中，常用的控制字符的作用如下。
LF（line feed）：换行
SP（space）：空格
CR（carriage return）：回车
DEL（delete）：删除
从表1-4中可以看出，十进制码值0～32和127（即NUL-US和DEL）共34个字符称为非图形字符（又称为控制字符），其余94个字符称为图形字符（又称为普通字符）。在这些字符中，0～9、A～Z、a～z都是顺序排列的，且小写比大写字母码值大32，这有利于大、小写字母之间的编码转换。
计算机的内部存储与操作常以字节为单位，即以8个二进制位为单位，因此一个字符在计算机内实际是用8位表示。正常情况下，最高位为0。
2.汉字编码 计算机处理汉字信息时，由于汉字具有特殊性，汉字的输入、存储、处理及输出过程中所使用的汉字代码不同。例如，用于汉字输入的输入码，用于机内存储和处理的机内码，用于输出显示和打印的字模点阵码（或称字形码）。各种汉字编码的关系如图1-8所示。
图1-8 汉字编码的关系
（1）汉字的输入码（外码） 汉字输入码是为了利用现有的计算机键盘，将形态各异的汉字输入计算机而编制的代码，简称外码。目前在我国推出的汉字输入编码方案已多达数百种，其表示形式大多用字母、数字或符号。编码方案大致可以分为三类。
①音码：以汉字拼音为基础，按照汉字的发音进行编码的代码，如全拼码、简拼码、双拼码等。这种输入法的优点是简单易学，几乎不需要专门的训练就可以掌握；缺点是汉字的同音字太多，重码率太高，按字音输入后还要选字，影响输入速度。现在的许多输入法增加了智能组词的功能，如搜狗拼音输入法、紫光拼音输入法等，很好地弥补了这方面的缺陷。
②形码：以汉字字形的固有特点为依据，按汉字书写的形式进行编码的代码，如广泛使用的五笔字型码、郑码等。优点是见字识码，首先拆分汉字，然后对应编码进行组合，对不认识的字也能输入，速度快；缺点是比较难掌握，需专门学习并记住字根，学会拆字和编码规则。
③音形码：以汉字的基本形为主、音为辅，或者以音为主、形为辅的一种音形结合的编码，如自然码。它集中了音、形两种码的特点，取形简单，容易掌握，降低了形码的拆字难度，既具有形码的速度，又具有音码的易学优点。
基于任何一种编码的输入法都是用户输入汉字的手段，在计算机内部都是以汉字的内码表示的。
（2）汉字的国标码、区位码 《信息交换用汉字编码字符集·基本集》是我国于1980年制定的国家标准（GB2312-80），是国家规定的用于处理汉字信息代码的依据。GB2312-80中规定了信息交换用的6763个汉字和682个非汉字图形符号（包括几种外文字母、数字和符号）。6763个汉字又按使用频度、组词能力及用途大小分成一级常用汉字3755个、二级常用汉字3008个。
在此标准中，每个汉字（图形符号）用两个字节表示，每个字节只用低7位。由于低7位中有34种状态是用于控制字符，只有94（128-34=94）种状态可用于汉字编码。因此，双字节的低7位只能表示94×94=8836种状态。
国标GB2312-80规定，全部国标汉字及符号组成94×94的矩阵。在该矩阵中，每一行称为一个“区”，每一列称为一个“位”。这样就组成了94个区（01～94区），每个区内有94个位（01～94）的汉字字符集。区码和位码简单地组合在一起（即两位区码居高位，两位位码居低位）就形成了“区位码”。区位码可唯一确定某一个汉字或汉字符号，反之，一个汉字或汉字符号都对应唯一的区位码。例如，汉字“学”的区位码为“4908”（即在49区的第8位）。
所有汉字及符号的94个区划分成如下四个组。
①1～15区为图形符号区，其中，1～9区为标准区，10～15区为自定义符号区。
②16～55区为一级常用汉字区，共有3755个汉字，该区的汉字按拼音排序。
③56～87区为二级非常用汉字区，共有3008个汉字，该区的汉字按部首排序。
④88～94区为用户自定义汉字区。
汉字区位码和国标码的关系为：区位码（十进制）的两个字节分别转换为十六进制后加20H得到对应的国标码，国标码=区位码的十六进制表示+2020H。例如，汉字“学”位于49区08位，区位码为4908，转换为国标码的过程为：将区位号4908转换为十六进制表示为3108H，3108H+2020H=5128H，得到国标码5128H。
（3）汉字的机内码 汉字的机内码是供计算机系统内部进行汉字存储、加工处理、传输统一使用的二进制代码，又称为汉字内部码或汉字内码，简称内码。正是由于内码的存在，输入汉字时可以使用不同的编码，输入计算机后再统一转换成内码，不同的系统使用的汉字内码有可能不同。目前使用最广泛的为两个字节的机内码，是将国标GB2312-80交换码的两个字节的最高位由0变为1而得到的，俗称变形的国标码。这种格式的机内码的最大优点是表示简单，且与交换码之间有明显的对应关系，同时也解决了中西文机内码存在二义性的问题。内码转换格式为：机内码=国标码+8080H。例如，“中”的国标码为十六进制5650，其对应的机内码为十六进制D6D0；“国”字的国标码为397A，其对应的机内码为B9FA。
（4）汉字的字形码 汉字的字形码是汉字字库中存储的汉字字形的数字化信息，用于汉字的显示和打印时产生字形。目前，汉字字形码一般是点阵式字形码（图1-9）和矢量式字形码两种。
图1-9 点阵字形
字形码是汉字的输出码，输出汉字时都采用图形方式，无论汉字的笔画多少，每个汉字都可以写在同样大小的方块中。汉字字形点阵有16×16点阵、24×24点阵、48×48点阵。一个汉字方块中行数、列数分得越多，描绘的汉字也就越精细，但占用的存储空间也就越大。例如，16×16点阵的含义为：用256（16×16=256）个点来表示每个汉字的字形信息。每个点有黑白两种状态，分别用二进制数的1和0来表示，点阵中所有黑点组成了汉字字形。16×16点阵的字形码需要用32个字节（16×16÷8=32）表示；24×24点阵的字形码需要用72个字节（24×24÷8=72）表示。
汉字字形的矢量编码是将汉字视为由笔画组成的图形。把汉字字形分布在精密点阵上，如256×256点阵，抽取这个汉字每个笔画的特征作为标值，组合起来得到这个汉字字形的矢量信息。由于每个汉字的轮廓特征差异很大，所以每个汉字字形在矢量字库中所占的长度也不尽相同，从矢量汉字字库读取汉字字形信息要比点阵字库更复杂。
汉字字库是汉字字形数字化后，以二进制文件形式存储在存储器中而形成的汉字字模库。汉字字模库亦称汉字字形库，简称汉字字库。
3.Unicode Unicode（universal multiple-octet coded character set，统一码）是由硬件及软件的多家主导厂商共同研制开发的，可以容纳全世界所有语言文字的字符编码方案。Unicode将世界上使用的所有字符都列出来，并给每一个字符一个唯一特定数值，统一地表示世界上的主要文字。目前，Unicode最多可以支持上百万个字符的编码，足以表示用中文、日文等语言书写的文档资料。