GBK和BIG5都是双字节字符,也就是用两个位符来表示一个汉字。要判断是否汉字,就必须知道它的有效范围,下面是第一个位和第二个位的有效范围:

GBK范围:
1st byte | 2nd byte
0×81~0xfe | 0×40~0×7e and 0×80~0xfe
BIG5范围:
1st byte | 2nd byte
0×81~0xfe | 0×40~0×7e and 0xa1~0xfe
下面是来自libiconv的关于GBK(cp936)和BIG5(cp950)的两段代码,相信还是相当有用的。

Download: cp936.h
/* 
* Copyright (C) 2005 Free Software Foundation, Inc. 
* This file is part of the GNU LIBICONV Library. 

* The GNU LIBICONV Library is free software; you can redistribute it 
* and/or modify it under the terms of the GNU Library General Public 
* License as published by the Free Software Foundation; either version 2 
* of the License, or (at your option) any later version. 

* The GNU LIBICONV Library is distributed in the hope that it will be 
* useful, but WITHOUT ANY WARRANTY; without even the implied warranty of 
* MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU 
* Library General Public License for more details. 

* You should have received a copy of the GNU Library General Public 
* License along with the GNU LIBICONV Library; see the file COPYING.LIB. 
* If not, write to the Free Software Foundation, Inc., 51 Franklin Street, 
* Fifth Floor, Boston, MA 02110-1301, USA. 
*/
 
  
/* 
* CP936 
*/
 
  
/* 
* The IANA has CP936 as an alias of GBK. But GBK is an official Chinese 
* specification, whereas CP936 is de-facto maintained by Microsoft. And, 
* of course, Microsoft modified CP936 since 1999. 

* The differences from GBK are: 

* 1. A single character: 

*    code   CP936.TXT 
*    0x80   0x20AC # EURO SIGN 

* Some variants of CP936 (in JDK, Windows-2000, ICU) also add: 

* 2. Private area mappings: 

*              code                 Unicode 
*    0x{A1..A2}{40..7E,80..A0}  U+E4C6..U+E585 
*    0x{AA..AF,F8..FE}{A1..FE}  U+E000..U+E4C5 

* We add them too because, although there are backward compatibility problems 
* when a character from a private area is moved to an official Unicode code 
* point, they are useful for some people in practice. 
*/
 
  
static int cp936_mbtowc (conv_t conv, ucs4_t *pwc, const unsigned char *s, int n) 

  
/* Try GBK first. */ 
  

    
int ret = ces_gbk_mbtowc(conv,pwc,s,n); 
    
if (ret != RET_ILSEQ) 
      
return ret; 
  }
 
  
/* Then handle the additional mappings. */ 
  

    unsigned 
char c = *s; 
    
if (c == 0x80
      
*pwc = 0x20ac
      
return 1
    }
 
    
/* User-defined characters */ 
    
if (c >= 0xa1 && c <= 0xa2
      
if (n < 2
        
return RET_TOOFEW(0); 
      

        unsigned 
char c2 = s[1]; 
        
if ((c2 >= 0x40 && c2 < 0x7f|| (c2 >= 0x80 && c2 < 0xa1)) 
          
*pwc = 0xe4c6 + 96 * (c - 0xa1+ (c2 - (c2 >= 0x80 ? 0x41 : 0x40)); 
          
return 2
        }
 
      }
 
    }
 else if ((c >= 0xaa && c < 0xb0|| (c >= 0xf8 && c < 0xff)) 
      
if (n < 2
        
return RET_TOOFEW(0); 
      

        unsigned 
char c2 = s[1]; 
        
if (c2 >= 0xa1 && c2 < 0xff
          
*pwc = 0xe000 + 94 * (c - (c >= 0xf8 ? 0xf2 : 0xaa)) + (c2 - 0xa1); 
          
return 2
        }
 
      }
 
    }
 
  }
 
  
return RET_ILSEQ; 
}
 
  
static int cp936_wctomb (conv_t conv, unsigned char *r, ucs4_t wc, int n) 

  
/* Try GBK first. */ 
  

    
int ret = ces_gbk_wctomb(conv,r,wc,n); 
    
if (ret != RET_ILUNI) 
      
return ret; 
  }
 
  
/* Then handle the additional mappings. */ 
  
if (wc >= 0xe000 && wc < 0xe586
    
/* User-defined characters */ 
    
if (n < 2
      
return RET_TOOFEW(0); 
    
if (wc < 0xe4c6
      unsigned 
int i = wc - 0xe000
      unsigned 
int c1 = i / 94
      unsigned 
int c2 = i % 94
      r[
0= c1 + (c1 < 6 ? 0xaa : 0xf2); 
      r[
1= c2 + 0xa1
      
return 2
    }
 else 
      unsigned 
int i = wc - 0xe4c6
      unsigned 
int c1 = i / 96
      unsigned 
int c2 = i % 96
      r[
0= c1 + 0xa1
      r[
1= c2 + (c2 < 0x3f ? 0x40 : 0x41); 
      
return 2
    }
 
  }
 else if (wc == 0x20ac
    r[
0= 0x80
    
return 1
  }
 
  
return RET_ILUNI; 
}


接下来是BIG5的cp950:

Download: cp950.h

/* 
* Copyright (C) 1999-2001, 2005 Free Software Foundation, Inc. 
* This file is part of the GNU LIBICONV Library. 

* The GNU LIBICONV Library is free software; you can redistribute it 
* and/or modify it under the terms of the GNU Library General Public 
* License as published by the Free Software Foundation; either version 2 
* of the License, or (at your option) any later version. 

* The GNU LIBICONV Library is distributed in the hope that it will be 
* useful, but WITHOUT ANY WARRANTY; without even the implied warranty of 
* MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU 
* Library General Public License for more details. 

* You should have received a copy of the GNU Library General Public 
* License along with the GNU LIBICONV Library; see the file COPYING.LIB. 
* If not, write to the Free Software Foundation, Inc., 51 Franklin Street, 
* Fifth Floor, Boston, MA 02110-1301, USA. 
*/
 
  
/* 
* CP950 
*/
 
  
/* 
* Microsoft CP950 is a slightly extended and slightly modified version of 
* BIG5. The differences between the EASTASIA/OTHER/BIG5.TXT and 
* VENDORS/MICSFT/WINDOWS/CP950.TXT tables found on ftp.unicode.org are 
* as follows: 

* 1. Some characters in the BIG5 range are defined differently: 

*     code   BIG5.TXT                       CP950.TXT 
*    0xA145  0x2022 # BULLET                0x2027 # HYPHENATION POINT 
*    0xA14E  0xFF64 # HALFWIDTH IDEOGRAPHIC COMMA 
*                                           0xFE51 # SMALL IDEOGRAPHIC COMMA 
*    0xA15A    ---                          0x2574 # BOX DRAWINGS LIGHT LEFT 
*    0xA1C2  0x203E # OVERLINE              0x00AF # MACRON 
*    0xA1C3    ---                          0xFFE3 # FULLWIDTH MACRON 
*    0xA1C5    ---                          0x02CD # MODIFIER LETTER LOW MACRON 
*    0xA1E3  0x223C # TILDE OPERATOR        0xFF5E # FULLWIDTH TILDE 
*    0xA1F2  0x2641 # EARTH                 0x2295 # CIRCLED PLUS 
*    0xA1F3  0x2609 # SUN                   0x2299 # CIRCLED DOT OPERATOR 
*    0xA1FE    ---                          0xFF0F # FULLWIDTH SOLIDUS 
*    0xA240    ---                          0xFF3C # FULLWIDTH REVERSE SOLIDUS 
*    0xA241  0xFF0F # FULLWIDTH SOLIDUS     0x2215 # DIVISION SLASH 
*    0xA242  0xFF3C # FULLWIDTH REVERSE SOLIDUS 
*                                           0xFE68 # SMALL REVERSE SOLIDUS 
*    0xA244  0x00A5 # YEN SIGN              0xFFE5 # FULLWIDTH YEN SIGN 
*    0xA246  0x00A2 # CENT SIGN             0xFFE0 # FULLWIDTH CENT SIGN 
*    0xA247  0x00A3 # POUND SIGN            0xFFE1 # FULLWIDTH POUND SIGN 
*    0xA2CC    ---                          0x5341 
*    0xA2CE    ---                          0x5345 

* 2. A small new row. See cp950ext.h. 

* 3. CP950.TXT is lacking the range 0xC6A1..0xC7FC (Hiragana, Katakana, 
*    Cyrillic, circled digits, parenthesized digits). 

*    We implement this omission, because said range is marked "uncertain" 
*    in the unicode.org BIG5 table. 

* The table found on Microsoft's website furthermore adds: 

* 4. A single character: 

*     code   CP950.TXT 
*    0xA3E1  0x20AC # EURO SIGN 

* Many variants of BIG5 or CP950 (in JDK, Solaris, OSF/1, Windows-2000, ICU, 
* as well as our BIG5-2003 converter) also add: 

* 5. Private area mappings: 

*              code                 Unicode 
*    0x{81..8D}{40..7E,A1..FE}  U+EEB8..U+F6B0 
*    0x{8E..A0}{40..7E,A1..FE}  U+E311..U+EEB7 
*    0x{FA..FE}{40..7E,A1..FE}  U+E000..U+E310 

* We add them too because, although there are backward compatibility problems 
* when a character from a private area is moved to an official Unicode code 
* point, they are useful for some people in practice. 
*/
 
  
static const unsigned short cp950_2uni_pagea1[314= 
  
/* 0xa1 */ 
  
0x30000xff0c0x30010x30020xff0e0x20270xff1b0xff1a
  
0xff1f0xff010xfe300x20260x20250xfe500xfe510xfe52
  
0x00b70xfe540xfe550xfe560xfe570xff5c0x20130xfe31
  
0x20140xfe330x25740xfe340xfe4f0xff080xff090xfe35
  
0xfe360xff5b0xff5d0xfe370xfe380x30140x30150xfe39
  
0xfe3a0x30100x30110xfe3b0xfe3c0x300a0x300b0xfe3d
  
0xfe3e0x30080x30090xfe3f0xfe400x300c0x300d0xfe41
  
0xfe420x300e0x300f0xfe430xfe440xfe590xfe5a0xfe5b
  
0xfe5c0xfe5d0xfe5e0x20180x20190x201c0x201d0x301d
  
0x301e0x20350x20320xff030xff060xff0a0x203b0x00a7
  
0x30030x25cb0x25cf0x25b30x25b20x25ce0x26060x2605
  
0x25c70x25c60x25a10x25a00x25bd0x25bc0x32a30x2105
  
0x00af0xffe30xff3f0x02cd0xfe490xfe4a0xfe4d0xfe4e
  
0xfe4b0xfe4c0xfe5f0xfe600xfe610xff0b0xff0d0x00d7
  
0x00f70x00b10x221a0xff1c0xff1e0xff1d0x22660x2267
  
0x22600x221e0x22520x22610xfe620xfe630xfe640xfe65
  
0xfe660xff5e0x22290x222a0x22a50x22200x221f0x22bf
  
0x33d20x33d10x222b0x222e0x22350x22340x26400x2642
  
0x22950x22990x21910x21930x21900x21920x21960x2197
  
0x21990x21980x22250x22230xff0f
  
/* 0xa2 */ 
  
0xff3c0x22150xfe680xff040xffe50x30120xffe00xffe1
  
0xff050xff200x21030x21090xfe690xfe6a0xfe6b0x33d5
  
0x339c0x339d0x339e0x33ce0x33a10x338e0x338f0x33c4
  
0x00b00x51590x515b0x515e0x515d0x51610x51630x55e7
  
0x74e90x7cce0x25810x25820x25830x25840x25850x2586
  
0x25870x25880x258f0x258e0x258d0x258c0x258b0x258a
  
0x25890x253c0x25340x252c0x25240x251c0x25940x2500
  
0x25020x25950x250c0x25100x25140x25180x256d0x256e
  
0x25700x256f0x25500x255e0x256a0x25610x25e20x25e3
  
0x25e50x25e40x25710x25720x25730xff100xff110xff12
  
0xff130xff140xff150xff160xff170xff180xff190x2160
  
0x21610x21620x21630x21640x21650x21660x21670x2168
  
0x21690x30210x30220x30230x30240x30250x30260x3027
  
0x30280x30290x53410x53440x53450xff210xff220xff23
  
0xff240xff250xff260xff270xff280xff290xff2a0xff2b
  
0xff2c0xff2d0xff2e0xff2f0xff300xff310xff320xff33
  
0xff340xff350xff360xff370xff380xff390xff3a0xff41
  
0xff420xff430xff440xff450xff460xff470xff480xff49
  
0xff4a0xff4b0xff4c0xff4d0xff4e0xff4f0xff500xff51
  
0xff520xff530xff540xff550xff56
}

  
#include 
"cp950ext.h" 
  
static int cp950_mbtowc (conv_t conv, ucs4_t *pwc, const unsigned char *s, int n) 

  unsigned 
char c = *s; 
  
/* Code set 0 (ASCII) */ 
  
if (c < 0x80
    
return ascii_mbtowc(conv,pwc,s,n); 
  
/* Code set 1 (BIG5 extended) */ 
  
if (c >= 0x81 && c < 0xff
    
if (n < 2
      
return RET_TOOFEW(0); 
    

      unsigned 
char c2 = s[1]; 
      
if ((c2 >= 0x40 && c2 < 0x7f|| (c2 >= 0xa1 && c2 < 0xff)) 
        
if (c >= 0xa1
          
if (c < 0xa3
            unsigned 
int i = 157 * (c - 0xa1+ (c2 - (c2 >= 0xa1 ? 0x62 : 0x40)); 
            unsigned 
short wc = cp950_2uni_pagea1[i]; 
            
if (wc != 0xfffd
              
*pwc = (ucs4_t) wc; 
              
return 2
            }
 
          }
 
          
if (!((c == 0xc6 && c2 >= 0xa1|| c == 0xc7)) 
            
int ret = big5_mbtowc(conv,pwc,s,2); 
            
if (ret != RET_ILSEQ) 
              
return ret; 
          }
 
          
if (c == 0xa3 && c2 == 0xe1
            
*pwc = 0x20ac
            
return 2
          }
 
          
if (c >= 0xfa
            
/* User-defined characters */ 
            
*pwc = 0xe000 + 157 * (c - 0xfa+ (c2 - (c2 >= 0xa1 ? 0x62 : 0x40)); 
            
return 2
          }
 
        }
 else 
          
/* 0x81 <= c < 0xa1. */ 
          
/* User-defined characters */ 
          
*pwc = (c >= 0x8e ? 0xdb18 : 0xeeb8+ 157 * (c - 0x81
                 
+ (c2 - (c2 >= 0xa1 ? 0x62 : 0x40)); 
          
return 2
        }
 
      }
 
    }
 
    
if (c == 0xf9
      
int ret = cp950ext_mbtowc(conv,pwc,s,2); 
      
if (ret != RET_ILSEQ) 
        
return ret; 
    }
 
  }
 
  
return RET_ILSEQ; 
}
 
  
static int cp950_wctomb (conv_t conv, unsigned char *r, ucs4_t wc, int n) 

  unsigned 
char buf[2]; 
  
int ret; 
  
  
/* Code set 0 (ASCII) */ 
  ret 
= ascii_wctomb(conv,r,wc,n); 
  
if (ret != RET_ILUNI) 
    
return ret; 
  
  
/* Code set 1 (BIG5 extended) */ 
  
switch (wc >> 8
    
case 0x00
      
if (wc == 0x00af{ buf[0= 0xa1; buf[1= 0xc2; ret = 2break; } 
      
if (wc == 0x00a2 || wc == 0x00a3 || wc == 0x00a4
        
return RET_ILUNI; 
      
break
    
case 0x02
      
if (wc == 0x02cd{ buf[0= 0xa1; buf[1= 0xc5; ret = 2break; } 
      
break
    
case 0x20
      
if (wc == 0x2027{ buf[0= 0xa1; buf[1= 0x45; ret = 2break; } 
      
if (wc == 0x20ac{ buf[0= 0xa3; buf[1= 0xe1; ret = 2break; } 
      
if (wc == 0x2022 || wc == 0x203e
        
return RET_ILUNI; 
      
break
    
case 0x22
      
if (wc == 0x2215{ buf[0= 0xa2; buf[1= 0x41; ret = 2break; } 
      
if (wc == 0x2295{ buf[0= 0xa1; buf[1= 0xf2; ret = 2break; } 
      
if (wc == 0x2299{ buf[0= 0xa1; buf[1= 0xf3; ret = 2break; } 
      
if (wc == 0x223c
        
return RET_ILUNI; 
      
break
    
case 0x25
      
if (wc == 0x2574{ buf[0= 0xa1; buf[1= 0x5a; ret = 2break; } 
      
break
    
case 0x26
      
if (wc == 0x2609 || wc == 0x2641
        
return RET_ILUNI; 
      
break
    
case 0xe0case 0xe1case 0xe2case 0xe3case 0xe4case 0xe5
    
case 0xe6case 0xe7case 0xe8case 0xe9case 0xeacase 0xeb
    
case 0xeccase 0xedcase 0xeecase 0xefcase 0xf0case 0xf1
    
case 0xf2case 0xf3case 0xf4case 0xf5case 0xf6
      

        
/* User-defined characters */ 
        unsigned 
int i = wc - 0xe000
        
if (i < 5809
          unsigned 
int c1 = i / 157
          unsigned 
int c2 = i % 157
          buf[
0= c1 + (c1 < 5 ? 0xfa : c1 < 24 ? 0x89 : 0x69); 
          buf[
1= c2 + (c2 < 0x3f ? 0x40 : 0x62); 
          ret 
= 2
          
break
        }
 
      }
 
      
break
    
case 0xfe
      
if (wc == 0xfe51{ buf[0= 0xa1; buf[1= 0x4e; ret = 2break; } 
      
if (wc == 0xfe68{ buf[0= 0xa2; buf[1= 0x42; ret = 2break; } 
      
break
    
case 0xff
      
if (wc == 0xff0f{ buf[0= 0xa1; buf[1= 0xfe; ret = 2break; } 
      
if (wc == 0xff3c{ buf[0= 0xa2; buf[1= 0x40; ret = 2break; } 
      
if (wc == 0xff5e{ buf[0= 0xa1; buf[1= 0xe3; ret = 2break; } 
      
if (wc == 0xffe0{ buf[0= 0xa2; buf[1= 0x46; ret = 2break; } 
      
if (wc == 0xffe1{ buf[0= 0xa2; buf[1= 0x47; ret = 2break; } 
      
if (wc == 0xffe3{ buf[0= 0xa1; buf[1= 0xc3; ret = 2break; } 
      
if (wc == 0xffe5{ buf[0= 0xa2; buf[1= 0x44; ret = 2break; } 
      
if (wc == 0xff64
        
return RET_ILUNI; 
      
break
  }
 
  
if (ret == RET_ILUNI) 
    ret 
= big5_wctomb(conv,buf,wc,2); 
  
if (ret != RET_ILUNI) 
    
if (ret != 2) abort(); 
    
if (!((buf[0== 0xc6 && buf[1>= 0xa1|| buf[0== 0xc7)) 
      
if (n < 2
        
return RET_TOOSMALL; 
      r[
0= buf[0]; 
      r[
1= buf[1]; 
      
return 2
    }
 
  }
 
  ret 
= cp950ext_wctomb(conv,buf,wc,2); 
  
if (ret != RET_ILUNI) 
    
if (ret != 2) abort(); 
    
if (n < 2
      
return RET_TOOSMALL; 
    r[
0= buf[0]; 
    r[
1= buf[1]; 
    
return 2
  }
 
  
  
return RET_ILUNI; 
}

只有注册用户登录后才能发表评论。
网站导航: 博客园   IT新闻   BlogJava   知识库   博问   管理