GB2312编码

本文摘录自银河的博客：原文地址

GB 2312-80 是中国国家标准简体中文字符集，全称《信息交换用汉字编码字符集·基本集》，由中国国家标准总局发布，1981年5月1日实施。GB2312 编码通行于中国大陆；新加坡等地也采用此编码。中国大陆几乎所有的中文系统和国际化的软件都支持 GB 2312。

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 个字符。GB2312 的出现，基本满足了汉字的计算机处理需要，它所收录的汉字已经覆盖中国大陆 99.75% 的使用频率。对于人名、古汉语等方面出现的罕用字，GB2312 不能处理，这导致了后来 GBK 及 GB18030 汉字字符集的出现。

GB2312 中对所收汉字进行了“分区”处理，每区含有 94 个汉字/符号。这种表示方式也称为区位码。

01 - 09 区为特殊符号。

16 - 55 区为一级汉字，按拼音排序。

56 - 87 区为二级汉字，按部首/笔画排序。

10 - 15 区及 88 - 94 区则未有编码。举例来说，“啊”字是 GB2312 之中的第一个汉字，它的区位码就是 1601（16区1号）。

每个汉字及符号以两个字节来表示。第一个字节称为“高位字节”，第二个字节称为“低位字节”。

“高位字节”使用了 0xA1 - 0xF7（把 01 - 87 区的区号加上 0xA0）

“低位字节”使用了 0xA1 - 0xFE（把 01 - 94 位的位号加上 0xA0）

注：区号的01-87，位置号01-94均为十进制表示。将87转为16进制为0x10，与0xA0相加得到0xF7。

由于一级汉字从 16 区起始，汉字区的“高位字节”的范围是 0xB0 - 0xF7（转化成十进制对应的范围就是176-247），“低位字节”的范围是 0xA1 - 0xFE（转化为十进制就是161-254），占用的码位是 72 * 94 = 6768。其中有 5 个空位是 D7FA - D7FE（也就是55区的90号到94号位）。

例如“啊”字在大多数程序中，会以两个字节，0xB0（第一个字节）0xA1（第二个字节）储存。（与区位码对比：0xB0 = 0xA0 + 16, 0xA1 = 0xA0 + 1）。

国家标准 GB 18030-2005《信息技术 中文编码字符集》，是中华人民共和国现时最新的内码字集，与 GB 2312-1980 完全兼容，与 GBK 基本兼容，支持 GB 13000 及 Unicode 的全部统一汉字，共收录汉字 70244 个。现行版本为国家质量监督检验总局和中国国家标准化管理委员会于2005年11月8日发布，2006年5月1日实施，为在中国境内所有软件产品支持的强制标准。

在了解了上述机制之后，如果要随机生成一个使用gb2312编码规范的汉字，只需要随机生成一个高位字节（代表区号）和一个低位字节（代表位置）就可以了：

高位字节生成：

high = random.nextInt(40)+16+0xA0; 生成代表1区汉字的高位字符

再转为byte类型 Integer.parseInt(high).byteValue();

低位字节生成：

low = random.nextInt(high==0xd7?90:95)+0xA0;

再转为byte类型 Integer.parseInt(low).byteValue();

将这两个byte组成一个byte数组，再利用String的构造方法就可以转换成一个汉字:

byte[] bytes = new byte[2];

byte[0] = high;

byte[1] = low;

String str = new String(bytes,"gb2312");