GBK转unicode码查询表的改进
上篇文章《GBK转unicode码查询表》中有一个美中不足的地方,就是占用的内存空间稍大了一点,约128KB,当然,对于PC这种平台无所谓,但对于一些场合来说,能省内存就省内存,何况那个表省内存又是件很easy的事情。
首先说明,平时使用GBK汉字编码字符集就够用了。GB18030向下兼容GBK,所以在文章、代码直接称GBK了。对于这些标准细则,有兴趣的可以深究一下。
再说说修改的地方,其实,经过观察生成的查询表,就发现,前面128个字符就是ASCII码,完全不用去查询表(实际代码中也没有去查),ASCII码后面有N个unicde码是0x00,只占地方,完全无用。所以,只要找到unicode非零的最低的GBK码即可。经多方查证(包括研究上篇文章给出的文本文件以及百度搜索),发现有用的最小的GBK码是0x8140。这个是什么字符,我不太懂,可参考地址:http://ff.163.com/newflyff/gbk-list/。比这个值小的都没有在GBK编码中找到。因此,我们的表中只需要存储这个值以后的GBK对应的unicode编码即可。这样一来,就可以节省一半的空间了(实际占用62.9KB)。在查询函数中,将字符的GBK码减去0x8140即可得到查询表中正确的unicode码。
上述方法不复杂,也不难想到。与我之前存储ASCII字符方法一样,即不去存储95个ASCII码,而只存储从0x20开始的ASCII码,在查询时,将传入的字符减去0x20即可。
下面给出修改后的程序(修改地方不多,一个是存储查询表时,从0x8140开始,另一个是在查询过程中将GBK减去0x8140)。
生效查询表程序代码如下:
#include <stdlib.h>
#include <string.h>
#define ARRAY "gbkuni30"
#define MAX_LEN 65535 // 2字节最大数
static unsigned short big_buffer[MAX_LEN] = {0};
// 源文件
#define SRC "gbkuni30.txt"
// 生产的头文件
#define DST "gbkuni30_gen.h"
int make_charmap_gb18030()
{
char buffer[16] = {0};
char* p = NULL;
FILE* fp_c = NULL;
FILE* fp = NULL;
int len = 0;
int x1 = 0;
int x2 = 0;
int i = 0;
int max_num = 0;
int cnt = 0;
fp = fopen(SRC, "r");
if (fp == NULL)
{
printf("open file error!!\n");
return -1;
}
fseek(fp, 0, SEEK_END);
len = ftell(fp);
fseek(fp,0,SEEK_SET);
printf("file len: %d\n", len);
fp_c = fopen(DST, "w+");
if (fp_c == NULL)
{
printf("open file error!!\n");
return -1;
}
fprintf(fp_c, "/**********************************************************************************/\n");
fprintf(fp_c, "/* GBK(GB18030) to UNICODE table, powered by Late Lee */\n");
fprintf(fp_c, "/* http://www.latelee.org */\n");
fprintf(fp_c, "/* %s %s */\n", __DATE__, __TIME__);
fprintf(fp_c, "/* The source file comes from: */\n");
fprintf(fp_c, "/* http://icu-project.org/repos/icu/data/trunk/charset/source/gb18030/gbkuni30.txt*/\n");
fprintf(fp_c, "/**********************************************************************************/\n");
fprintf(fp_c, "#ifndef __GBK2UNICODE__H\n");
fprintf(fp_c, "#define __GBK2UNICODE__H\n\n");
fprintf(fp_c, "");
fprintf(fp_c, "static unsigned short %s[] = \n{\n", ARRAY);
// 先读取到缓冲区,解析出两个数
while (fgets(buffer, 32, fp) != NULL)
{
sscanf(buffer, "%x:%x\n", &x1, &x2);
//printf("%s", buffer);
//printf("%04x %x\n", x1, x2);
//fprintf(fp_c, "0x%04x, 0x%x,\n", x1, x2);
big_buffer[x2] = x1;
if (x2 > max_num)
max_num = x2;
}
printf("max num: %d %x\n", max_num, max_num);
// 注:为节省存储空间,从0x8140开始存储,查询时需要减去此数
for (i = 0x8140; i < max_num + 1; i++)
{
//printf("0x%04x\n", big_buffer[i]);
fprintf(fp_c, "0x%04x, ", big_buffer[i]);
cnt++;
if (cnt % 10 == 0)
{
fprintf(fp_c, " // line num %d \n", cnt / 10 - 1);
}
}
fprintf(fp_c, "\n");
fprintf(fp_c, "};\n\n");
fprintf(fp_c, "#endif //__GBK2UNICODE__H\n");
fprintf(stdout, "Job done!\n");
fclose(fp);
fclose(fp_c);
return 0;
}
转换查询函数如下:
* gbk字符串转unicode字符串
*
* @param unicode unicode字符串
* @param gb gbk字符串
* @param len gbk字符串长度
*
* @return 返回转换后的unicode字符串长度(1个字符占2字节)
*
* @note
* 1. 所有字符的unicode编码为2字节??
* 2. 必须使用unsigned char进行移位计算,否则结果不正确
*/
int gbk_to_unicode(unsigned short int* unicode, const char* gb, int len)
{
int i,j;
i = 0;
unsigned char* gb_temp = (unsigned char *)gb; // 必须转换成无符号
for(j = 0; i < len; j++)
{
if (gb_temp[i] <= 0x80)
{
unicode[j] = gb_temp[i];
i++;
}
else
{
unsigned short int temp;
//printf("%x %x\n", gb_temp[i], gb_temp[i+1]);
temp = (gb_temp[i] << 8) + gb_temp[i+1];
temp -= 0x8140; // 查询表从0x8140开始存储,故减去此数
unicode[j] = gbkuni30[temp];
i += 2;
//printf("debug: gbk: 0x%x unicode: 0x%x\n", temp+0x8140, unicode[j]);
}
}
return j;
}
对于代码优化,我还有比较注意的,举个例子,有个接口需要修改RGB颜色值,要是我设计的话,肯定将RGB三个颜色值合成一个int型参数。但我看的代码中,是将三个值分开传递的,这样,无端多了几个参数。经询问,得到的解释是:用户可读性强。对此,我不作评论。在公司层面上讲,我绝对服从组织上的决定。
记于文后:
对于汉字及编码,很早我就开始搞了,只是没时间研究那么深。写了现在这篇文章后,估计不会在这方面再作研究了。再研究下去也没多大意思。
迟,记于2013年8月24日晚上
GBK转unicode码查询表的改进相关推荐
- 使用python实现GBK转unicode码查询表
接触python有一段时间了,但没有专门学习基础知识,写代码时总是到网上找资料.不过,相信经过练习可以慢慢积累.本文拿以前写的小程序练手.参见文章<GBK转unicode码查询表的改进>. ...
- GBK转unicode码查询表
大约大半年前完成一个矢量字库类,使用freetype库从矢量字库中读取字符轮廓,然后转成只有0.1的缓冲区,可以使用许多场合.涉及了freetype的操作,同时还有字符编码方面的知识.前不久,有同事反 ...
- 汉字编码(【Unicode】 【UTF-8】 【Unicode与UTF-8之间的转换】 【汉字 Unicode 编码范围】【中文标点Unicode码】【GBK编码】【批量获取汉字UNICODE码】)
参考博客: Unicode与UTF-8互转(C语言实现):http://blog.csdn.net/tge7618291/article/details/7599902 汉字 Unicode 编码范围 ...
- [编码]ASCII、GBK、Unicode(万国码) 和 UTF-8
American ASCII编码 (American Standard Code for Information Interchange,美国信息互换标准代码) China gbk编码 ...
- ASCII、GB2312、GBK、Unicode、UTF-8介绍和转换
1.ASCII码 上个世纪60年代,美国制定了一套字符编码,对英语字符与二进制位之间的关系,做了统一规定.这被称为 ASCII 码,一直沿用至今.ASCII 码一共规定了128个字符的编码,比如空格S ...
- Visual Studio——多字节编码与Unicode码
多字节字符与宽字节字符 1) char与wchar_t 我们知道C++基本数据类型中表示字符的有两种:char.wchar_t. char叫多字节字符,一个char占一个字节,之所以叫多字节字符是因 ...
- es6=unicode码详解
字符的Unicode表示法 JavaScript允许采用\uxxxx形式表示一个字符,其中xxxx表示字符的Unicode码点. "\u0061" // "a" ...
- 字符集ASCII、GBK、UNICODE、UTF在储存字符时的区别
ASCII编码(American Standard Code for Information Interchange,美国信息互换标准代码),使用127个8进制字节表示英文和半角字符. GBK (Gu ...
- java打印unicode_java程序实现Unicode码和中文互相转换
有了前一篇文章的了解,大概了解了unicode编码格式了 ANSI:汉字区的内码范围高字节从B0-F7,低字节从A1-FE Unicode:汉字的Unicode编码范围为\u4E00-\u9FA5 \ ...
最新文章
- ASP.NET中实现大结果集分页研讨 转
- 120万公里「真」无人商用里程如何炼成?出租车物流车车车无人,香港乌鲁木齐城城自动...
- Word保存自己格式模板的方法
- C# 委托 (一)—— 委托、 泛型委托与Lambda表达式
- Android 拉起小程序页面进行传值
- c语言小项目-使用mysql数据库的图书管理系统
- linux c 子线程sleep,linux c之sleep的多种实现
- mysql 查新格式化_mysql 日期格式化查询
- Android--音乐播放器
- 跟随报文,开启一段奇妙之旅
- Android ListView中 每一项都有不同的布局
- linux里面的命令
- win7 64位装sql2000
- php旧物交易开源代码_PHP学习笔记:php二手交易市场系统
- Learun.framework快速开发框架-功能特点与手机app
- 三维点云语义地图 TSDF
- 世界前五大IT咨询公司
- libcurl入门之相关接口函数curl_easy_getinfo
- 【百度分享】BZFS—一种透明压缩文件系统
- 【浙江大学计算机学院】ccnt实验室之,CCNT实验室
热门文章
- 在页脚里显示本页统计数据_外卖营业统计里的数据您能看懂吗?
- 努比亚Z40 Pro定档2月25日:业界唯一定制35mm主摄+首发索尼IMX787
- 被曝大裁员,涉及30%员工!公司内斗、高管之间拉帮结派 喜茶回应了...
- 宁德时代:拟70亿投建储能电池项目
- 因2800万美元太贵 演员汤姆·汉克斯拒绝贝佐斯上太空邀请
- 苹果支付招聘业务开发经理 需有加密货币支付工作经验
- 跟谁学宣布独立调查结论:没有造假 盘后股价涨超8%
- 罗永浩回应被限制高消费:已跟债权方达成和解
- Model Y已成特斯拉今年交付量第二高车型 前8个月交付2.9万辆
- 9月30日或成年内最难打车日 滴滴1亿补贴鼓励司机师傅多接单