GB2312简体中文转换为拼音的一种方法

Posted 2020-09-06 zhaojihui

　　GBK是GB18030的子集（GB18030暂不追溯）。

　　GBK编码标准共收录汉字21003个、符号883个，并提供1894个造字码位，简、繁体字融于一库。

　　GB2312简体中文编码表：http://tools.jb51.net/table/gb2312

　　GB2312标准共收录6763个汉字，其中一级汉字3755个，二级汉字3008个；同时，GB 2312收录了包括拉丁字母、希腊字母、日文平假名及片假名字母、俄语西里尔字母在内的682个全角字符。整个字符集分成94个区，每区有94个位。

• GB2312，又称为GB0，由中国国家标准总局发布，1981年5月1日实施
• GB2312标准共收录6763个汉字，其中一级汉字3755个，二级汉字3008个
• GB2312是一种区位码。分为94个区(01-94)，每区94个字符(01-94)
• 01-09区为特殊符号
• 10-15区没有编码
• 16-55区为一级汉字，按拼音排序，共3755个
• 56-87区为二级汉字，按部首／笔画排序，共3008个
• 88-94区没有编码
• GB2312只是编码表，在计算机中通常都是用"EUC-CN"表示法，即在每个区位加上0xA0来表示。区和位分别占用一个字节。

　　GB2312是GBK的子集。GB2312是中国国家标准的简体中文字符集。它所收录的汉字已经覆盖99.75%的使用频率，基本满足了汉字的计算机处理需要。GB2312编码包括符号、数字、字母、日文、制表符等，当然最主要的部分还是中文，它采用16位编码方式，简体中文的编码范围从B0A1一直到F7FE。如果我们把该编码的每8位用十进制来表示就是[176 | 161]到[247 | 254]，这样对于每个中文字符，我们都可以通过两个值来表示它，如“啊”就是[176 | 161]，“我”则是[206 | 210]。

　　通过上面的方法，我们就可以通过一个二维坐标对每一个中文字进行定位，从而建立一个二维表来实现中文和拼音的对应关系。当然我们会忽略一些特殊情况，比如汉字的多音字问题。由于一个拼音可能对应多个汉字，而拼音的组合本来就不多，因此我们首先建立一个拼音音节表，代码如下，里面列出了所有可能的组合情况，该表是一维数组。

　　在上面提到的二维表中，我们会保存音节表的索引值，来对应一个音节组合，如bao，而不是直接把音节组合保存在二维数组中，这样可以有效减少内存消耗。因此，二位数组中的所有值都应该是索引值，如数组元素[176][161]对应的应该是ａ的索引值０。

　　以C#语言简例：

　　首先输入汉字“我”，首先程序初始化一个GB2312编码对象

　　System.Text.Encoding encoding = System.Text.Encoding.GetEncoding("GB2312");

然后通过该对象获得“我”的编码数组

　　byte[] local = encoding.GetBytes(“我”);

local中的值应该是local[0]=206; local[1]=210。转换为十六进制，在CED2坐标位置可以找到“我”字。再查音节组合表，得索引值（可以根据具体需要修正索引）对应的是＂ｗｏ＂，这样就完成了简体中文到拼音的转换。

　　由此可以想到多音字、或者GBK的转换会是怎样处理呢？有机会以后分解（当然方法不止一种）。