[發(fā)明專利]一種漢字編碼的方法

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 201010528090.3
• 申請(qǐng)日: 2010-11-02
• 公開(kāi)（公告）號(hào): CN102243623A
• 公開(kāi)（公告）日: 2011-11-16
• 發(fā)明（設(shè)計(jì)）人: 潘文林
• 申請(qǐng)（專利權(quán)）人: 泗陽(yáng)天琴軟件科技有限公司
• 主分類號(hào): G06F17/22
• 分類號(hào): G06F17/22
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)文字信息處理

背景技術(shù)

計(jì)算機(jī)的漢字編碼有過(guò)一段曲折的發(fā)展歷史，最早采用的GB?2312-80標(biāo)準(zhǔn)，由于漢字的數(shù)量有幾萬(wàn)甚至十幾萬(wàn)，該標(biāo)準(zhǔn)的編碼就無(wú)法滿足其需求了，因此有GBK，乃至ISO10646/Unicode標(biāo)準(zhǔn)。下面簡(jiǎn)單介紹一下這些標(biāo)準(zhǔn)的內(nèi)容：

GB2312有6763個(gè)漢字，包含所有的第一級(jí)漢字和第二級(jí)漢字中的常用部分2第一級(jí)漢字(16-55區(qū)的漢字)以拼音字母為序進(jìn)行排列，同音字以筆形順序橫、豎、撇、捺、折為序，起筆相同的按第二筆，依次類推；第二級(jí)漢字(56-87區(qū)的漢字)按部首為序進(jìn)行排列。

GBK有21003個(gè)漢字，是雙字節(jié)編碼，每個(gè)字符用兩個(gè)字節(jié)表示。共23940個(gè)碼位，定義了21886個(gè)字符，包括21003個(gè)漢字和883個(gè)圖形符號(hào)。

GB18030是國(guó)家強(qiáng)制標(biāo)準(zhǔn)，多字節(jié)字符集，它的字符可以用一個(gè)、兩個(gè)或四個(gè)字節(jié)表示，GB18030-2000要求支持27533個(gè)漢字，最新GB18030-2005有70244個(gè)漢字。

ISO10646/Unicode規(guī)定了一套字符集，如果不算兼容區(qū)，目前有70217個(gè)漢字。包含了世界上的大多數(shù)字符，規(guī)定了這些字符的編碼，每個(gè)編碼可以理解為一個(gè)數(shù)字，美國(guó)的Unicode只規(guī)定了字符集，只規(guī)定了1對(duì)應(yīng)的是什么字符，2對(duì)應(yīng)的是什么字符。至于傳輸和存儲(chǔ)，各個(gè)系統(tǒng)必須自己實(shí)現(xiàn)。

GB18030雙字節(jié)部分與Unicode的映射沒(méi)有規(guī)律，只能通過(guò)查表方法映射。

無(wú)論是Windows?XP還是Vista，中文(中國(guó))區(qū)域?qū)?yīng)的默認(rèn)代碼頁(yè)還是GBK。我們只能設(shè)置區(qū)域，并不能設(shè)置區(qū)域?qū)?yīng)的默認(rèn)代碼頁(yè)。所以在Windows世界，只要微軟不愿意，GB18030就只是一張普通的代碼頁(yè)。

目前的簡(jiǎn)體中文文檔使用的編碼主要是Unicode和GBK，應(yīng)該沒(méi)有什么文檔會(huì)用GB18030保存。

以上的編碼的根本缺點(diǎn)是占用了大量的計(jì)算機(jī)內(nèi)存資源，缺乏擴(kuò)展性，如果增添新發(fā)現(xiàn)的古字或者其他的漢字，目前的編碼中無(wú)法應(yīng)付這些新增加的漢字，又要重新給這些漢字編碼，因此這樣的一個(gè)編碼系統(tǒng)，無(wú)論是18030還是Unicode，具有的封閉型，占用資源，而且因?yàn)闆](méi)有規(guī)律可循，漢字的檢索速度慢。

發(fā)明內(nèi)容

本發(fā)明就是針對(duì)目前的漢字編碼，在GB?2312-80的基礎(chǔ)上，進(jìn)行了改進(jìn)，其根據(jù)就是漢字元的發(fā)明方法。

字元數(shù)量的90％左右采用國(guó)家1-2級(jí)漢字，其余的根據(jù)具體需要從總的漢字篩選，字元的數(shù)量大概在4000個(gè)左右，因此GB2312一級(jí)漢字的編碼可以滿足這些字元的分配使用，漢字的部件/偏旁部首(非成字)部分采用編碼范圍6001～6999。

漢字的編碼分為以下3種情況：

1?“字元+部件”或者的“部件+字元”漢字，采用“部件編碼+字元編碼”，分別對(duì)應(yīng)編碼的高4位和低4位

2?“漢字+字元”或者“字元+漢字”采用漢字編碼+字元編碼，分別對(duì)應(yīng)編碼的高4位和低4位，這里

特殊例子，如“峰”和“峯”，為了保證其編碼的唯一性，取其中的漢字山的編碼的補(bǔ)碼。方法是先把該字元的4位十六進(jìn)制編碼轉(zhuǎn)換成八位二進(jìn)制編碼，然后取其的補(bǔ)碼，在轉(zhuǎn)換成4位十六進(jìn)制編碼。注意字元是個(gè)相對(duì)概念，如“峰”，“夆”是字元，“山”是漢字；但是在“燦”中，“山”是字元，

3?“部件x+部件y”，采用8位編碼，順序是先上后下，先左后右，先外后里。

這里的部件是現(xiàn)代漢語(yǔ)意義上的非成字偏旁部首，如“疒”、“阝”等。

字元的編碼按照漢語(yǔ)拼音的排序，采用4位十六進(jìn)制編碼；比如字元“阿”字的編碼依舊是“1601”；GB8213中，漢字“華”的編碼是“2710”，“木”是“3630”，“樺”是“7275”按照本發(fā)明的編碼，不需要為“樺”單獨(dú)編碼，其編碼是“36302710”。

因此理論上只要有這4千個(gè)左右的字元編碼和一千個(gè)部件/部首的編碼，能夠滿足所有的漢字編碼，目前估計(jì)漢字的總量大概在十萬(wàn)左右。該方法能夠節(jié)省大量的計(jì)算機(jī)內(nèi)存資源，可以對(duì)新補(bǔ)充的漢字，不必重新分配編碼，理論上可以滿足百萬(wàn)個(gè)漢字的編碼，同時(shí)編碼根據(jù)字元的漢語(yǔ)拼音順序，有邏輯性，能夠提升漢字的檢索速度，為中國(guó)的漢字編碼制定國(guó)際標(biāo)準(zhǔn)提供了依據(jù)。

具體實(shí)施方式

把從1-2級(jí)漢字選取3000多個(gè)漢字，然后在從目前的漢字總量選取1000個(gè)左右的字元，根據(jù)其漢字拼音進(jìn)行排序，原則上，每個(gè)字元對(duì)應(yīng)30-100個(gè)漢字，在GB8213的基礎(chǔ)上，對(duì)每個(gè)字元進(jìn)行編碼。