汉字编码之GBK编码详解

汉字编码之GBK编码详解

GBK（Guo Biao Kuozhan，国家标准扩展）是一种中文字符编码标准，主要用于简体中文的字符表示。它是对GB2312-80标准的扩展，包含了更多的汉字和符号，广泛应用于Windows系统、网页、数据库等中文信息处理环境中。

---

一、GBK 编码的基本背景

1. GB2312 简介

• GB2312 是中国大陆于1980年发布的第一个汉字编码标准。
• 包含 6763 个常用汉字（一级 3755 个，二级 3008 个），以及 682 个标点符号、数字、拉丁字母等。
• 使用双字节编码方式，每个汉字用两个字节表示。
• 字节范围：首字节 0xB0-0xF7，尾字节 0xA1-0xFE。

2. GBK 的提出

• 随着使用需求的增加，GB2312 中的汉字数量不足以满足实际应用。
• 于是微软在 Windows 系统中推出 GBK 编码，作为对 GB2312 的兼容性扩展。
• GBK 并非正式国家标准，但后来被收录进 GB/T 13000.1-1993（即 Unicode 的中国对应标准）中，并最终被 GB18030 所取代。

---

二、GBK 编码的特点

特性	描述
编码类型	双字节编码（部分单字节 ASCII 兼容）
支持字符数	约 21003 个汉字（包括繁体字、少数民族文字等）
向后兼容	完全兼容 GB2312 和 ASCII
应用环境	Windows 简体中文系统、早期网页、数据库、邮件等

---

三、GBK 编码结构

GBK 编码空间为：

• 首字节范围：0x81-0xFE
• 尾字节范围：
  • 0x40-0x7E（共 63 个）
  • 0x80-0xFE（共 127 个）

总共可以表示 (0xFE - 0x81 + 1) * (63 + 127) = 大约 21000+ 个字符。

GBK 编码分为多个区段（Zone），如下所示：

区号	范围（首字节, 尾字节）	内容说明
1	8140-FEFE	GB2312 原有字符（向后兼容）
2	A1A1-A9FE	符号、部首、特殊字符
3	B0A1-F7FE	GB2312 区段，包含常用汉字
4	7440-7D7E	增补汉字（如“镕”、“堃”）
5	A6A1-A6FE	希腊字母、俄语字母等
6	AD00-AD7E	日文平假名
7	FA40-FEFE	扩展汉字（包括生僻字、少数民族文字等）

---

四、GBK 与常见编码的比较

编码格式	支持字符数	是否支持繁体	是否支持生僻字	是否兼容 ASCII	备注
ASCII	128	否	否	是	英文字符集
GB2312	~6763	否	否	是	简体中文基础
GBK	~21003	是	是	是	GB2312 扩展
GB18030	> 70,000	是	是	是	国家标准，兼容 GBK
Unicode (UTF-8/UCS-2)	> 100,000	是	是	是（UTF-8）	国际通用编码

---

五、GBK 编码的应用现状

虽然目前 UTF-8 已成为互联网主流编码格式，但 GBK 在以下场景仍有广泛应用：

1. Windows 简体中文系统：默认编码是 GBK。
2. 旧系统的数据迁移：许多遗留系统仍使用 GBK 编码保存历史数据。
3. 网页开发中的传统网站：一些老网站仍然使用 GBK 编码。
4. 数据库导出文件：如 MySQL 导出时设置为 GBK 编码。

---

六、GBK 编码示例

汉字	GBK 编码（十六进制）	十进制表示
我	CED2	0xCED2
是	CAC7	0xCAC7
学	D1A7	0xD1A7
生	C9FA	0xC9FA

例如，“我是学生”的 GBK 编码为：

CED2 CAC7 D1A7 C9FA

---

七、如何识别或转换 GBK 编码？

1. 使用 Python 进行编码转换

# 读取 GBK 编码文件
with open('file.txt', 'r', encoding='gbk') as f:
    content = f.read()
    print(content)

# 字符串转 GBK 编码
s = "你好"
print(s.encode('gbk'))  # b'\xc4\xe3\xba\xc3'

# GBK 编码转字符串
b = b'\xc4\xe3\xba\xc3'
print(b.decode('gbk'))  # 输出：你好

2. 使用在线工具

• https://www.qqxiuzi.cn/zh/hanzi-gbk.php
• https://tool.oschina.net/encode

---

八、总结

项目	内容
名称	GBK（国标扩展）
类型	双字节编码
支持字符	约 21003 个
向后兼容	GB2312、ASCII
替代方案	GB18030、UTF-8
主要用途	Windows 简体中文、旧系统数据、网页等

---