说明：

今天想用python调用百度框计算的搜过结果，看到了URL里面的汉字用GBK编码，虽然可以直接在URL里面加入中文，之前也做过一个简体字转GBK码的python函数，但还是略嫌麻烦，今天改了一下。

如图，“广”的编码为%B9%E3，暂且把%B9称为节编码，%E3为字符编码(第二编码)。

思路：

从GBK编码页面收集汉字 http://ff.163.com/newflyff/gbk-list/

从实用角度下手，只选取“● GBK/2: GB2312 汉字”这一节，共3755个汉字。

看规律：小节编码从B0-D7，而针对汉字的编码从A1-FE，即16*6-2=94，非常有规律性。

第一步：把常用的汉字用python提取出来，按顺序存到一个字典文件里面，汉字用空格分隔。

第二步：根据编码从A1-FE，每节94个汉字的规律，先定位节编码，利用汉字在某一节的位置定位字符编码

实施：

第一步：提取汉字

View Code

1 with open('E:/GBK.txt') as f:

2 s=f.read().splitlines().split()

分割得到的list里面有重复的节编码，要去掉B0/B1……类似的符号和中文的0-9/A-F字符

把获取到的字符解码看：

删除掉这些字符：

先把分割得到的list全部解码，然后

View Code

1 gbk.remove(u'\uff10')

这里删除字符的时候，用range生成一系列字符串，然后用notepad++处理了一下，并没有找到简单的办法

View Code

1 for t in [u'\uff10',u'\uff11',u'\uff12',u'\uff13',u'\uff14',u'\uff15',u'\uff16',u'\uff17',u'\uff18',u'\uff19',u'\uff21',u'\uff22',u'\uff23',u'\uff24',u'\uff25',u'\uff26']:

2 gbk.remove(t)

然后去除B0-D7这样的小节编码，同时提取字符编码的时候也要用到类似的A1-FE这样的编码，于是就想生成这样一个list，方便做删除和索引操作。

生成编码系列：

行编码为0-9 A-F，列编码为A-F

从A1开始递增，遇到边界(A9-AA)要手动处理，用到了ord()和chr()函数，在ASCII编码和数字之间转换。

1 t=['A1']

2 while True:

3 if t[-1]=='FE':

4 break

5 if (ord(t[-1][1])>=48 and ord(t[-1][1])<57) or (ord(t[-1][1])>=65 and ord(t[-1][1])<70):

6 t.append(t[-1][0]+chr(ord(t[-1][1])+1))

7 continue

8 if ord(t[-1][1])>=57 and ord(t[-1][1])<65:

9 t.append(t[-1][0]+chr(65))

10 continue

11 if ord(t[-1][1])>=70:

12 t.append(chr(ord(t[-1][0])+1)+chr(48))

13 continue

得到的列表：

有了这个编码序列后，就可以从gbk库中删除B0-D7字符了。

最后检查到还有空格未删除，空格的unicode码是\u3000

gbk.remove(u'\u3000')

最后encode成UTF-8编码保存到字典文件。

第二步：索引汉字

索引就是个简单算法，因为字典里面的汉子是按照原先顺序存储的，而且GBK编码表2的3755个汉字严格遵守每节94个汉字的规律，那就来个简单的除数取整+1来定位小节编码，再用汉字索引-节索引*94得到汉字在这一小节中的索引，然后利用上面生成的A1-FE list和索引来定位第二编码。

算法思路有了，编码，然后调试

附上python代码和注释：

1 def getGBKCode(gbkFile='E:/GBK1.1.txt',s=''):

2 #gbkFile字典文件 共3755个汉字3 #s为要转换的汉字，暂且为gb2312编码，即从IDLE输入的汉字编码4

5 #读入字典6 with open(gbkFile) as f:

7 gbk=f.read().split()

8

9 #生成A1-FE的索引编码10 t=['A1']

11 while True:

12 if t[-1]=='FE':

13 break

14 if (ord(t[-1][1])>=48 and ord(t[-1][1])<57) or (ord(t[-1][1])>=65 and ord(t[-1][1])<70):

15 t.append(t[-1][0]+chr(ord(t[-1][1])+1))

16 continue

17 if ord(t[-1][1])>=57 and ord(t[-1][1])<65:

18 t.append(t[-1][0]+chr(65))

19 continue

20 if ord(t[-1][1])>=70:

21 t.append(chr(ord(t[-1][0])+1)+chr(48))

22 continue

23 #依次索引每个汉字24 l=list()

25 for st in s.decode('gb2312'):

26 st=st.encode('utf-8')

27 i=gbk.index(st)+1

28 #小节编码从B0开始，获取汉字的小节编码29 t1='%'+t[t.index('B0'):][i/94]

30 #汉字在节点中的索引号31 i=i-(i/94)*94

32 t2='%'+t[i-1]

33 l.append(t1+t2)

34 #最后用空格分隔输出35 return ' '.join(l)

得承认我的python代码不是那么工整

附上我的微博ID：小栾Cooper

完毕，欢迎吐槽