[发明专利]一种汉字编码的方法

说明书

技术领域

本发明属于计算机文字信息处理

背景技术

计算机的汉字编码有过一段曲折的发展历史，最早采用的GB 2312-80标准，由于汉字的数量有几万甚至十几万，该标准的编码就无法满足其需求了，因此有GBK，乃至ISO10646/Unicode标准。下面简单介绍一下这些标准的内容：

GB2312有6763个汉字，包含所有的第一级汉字和第二级汉字中的常用部分2第一级汉字(16-55区的汉字)以拼音字母为序进行排列，同音字以笔形顺序横、竖、撇、捺、折为序，起笔相同的按第二笔，依次类推；第二级汉字(56-87区的汉字)按部首为序进行排列。

GBK有21003个汉字，是双字节编码，每个字符用两个字节表示。共23940个码位，定义了21886个字符，包括21003个汉字和883个图形符号。

GB18030是国家强制标准，多字节字符集，它的字符可以用一个、两个或四个字节表示，GB18030-2000要求支持27533个汉字，最新GB18030-2005有70244个汉字。

ISO10646/Unicode规定了一套字符集，如果不算兼容区，目前有70217个汉字。包含了世界上的大多数字符，规定了这些字符的编码，每个编码可以理解为一个数字，美国的Unicode只规定了字符集，只规定了1对应的是什么字符，2对应的是什么字符。至于传输和存储，各个系统必须自己实现。

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。

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。

以上的编码的根本缺点是占用了大量的计算机内存资源，缺乏扩展性，如果增添新发现的古字或者其他的汉字，目前的编码中无法应付这些新增加的汉字，又要重新给这些汉字编码，因此这样的一个编码系统，无论是18030还是Unicode，具有的封闭型，占用资源，而且因为没有规律可循，汉字的检索速度慢。

发明内容

本发明就是针对目前的汉字编码，在GB 2312-80的基础上，进行了改进，其根据就是汉字元的发明方法。

字元数量的90％左右采用国家1-2级汉字，其余的根据具体需要从总的汉字筛选，字元的数量大概在4000个左右，因此GB2312一级汉字的编码可以满足这些字元的分配使用，汉字的部件/偏旁部首(非成字)部分采用编码范围6001～6999。

汉字的编码分为以下3种情况：

1 “字元+部件”或者的“部件+字元”汉字，采用“部件编码+字元编码”，分别对应编码的高4位和低4位

2 “汉字+字元”或者“字元+汉字”采用汉字编码+字元编码，分别对应编码的高4位和低4位，这里

特殊例子，如“峰”和“峯”，为了保证其编码的唯一性，取其中的汉字山的编码的补码。方法是先把该字元的4位十六进制编码转换成八位二进制编码，然后取其的补码，在转换成4位十六进制编码。注意字元是个相对概念，如“峰”，“夆”是字元，“山”是汉字；但是在“灿”中，“山”是字元，

3 “部件x+部件y”，采用8位编码，顺序是先上后下，先左后右，先外后里。

这里的部件是现代汉语意义上的非成字偏旁部首，如“疒”、“阝”等。

字元的编码按照汉语拼音的排序，采用4位十六进制编码；比如字元“阿”字的编码依旧是“1601”；GB8213中，汉字“华”的编码是“2710”，“木”是“3630”，“桦”是“7275”按照本发明的编码，不需要为“桦”单独编码，其编码是“36302710”。

因此理论上只要有这4千个左右的字元编码和一千个部件/部首的编码，能够满足所有的汉字编码，目前估计汉字的总量大概在十万左右。该方法能够节省大量的计算机内存资源，可以对新补充的汉字，不必重新分配编码，理论上可以满足百万个汉字的编码，同时编码根据字元的汉语拼音顺序，有逻辑性，能够提升汉字的检索速度，为中国的汉字编码制定国际标准提供了依据。

具体实施方式

把从1-2级汉字选取3000多个汉字，然后在从目前的汉字总量选取1000个左右的字元，根据其汉字拼音进行排序，原则上，每个字元对应30-100个汉字，在GB8213的基础上，对每个字元进行编码。