如何区别文本是BIG5还是GB?

王朝vc·作者佚名  2006-01-08
窄屏简体版  字體: |||超大  

关于GB与BIG5码的判别,没有100%可靠的方法。但是从两个编码系统汉字的分布来看,

还有可以作一定的判断的。

GB码的编码范围是首字节A1-F7,尾字节A1-FE,而且首字节A1-A9是符号区,AA-AF这

一段没有定义。BIG5码的编码范围是首字节A1-F9,尾字节分两段,分别是40-7E及

A1-FE,首字节A1-A3是符号区,A4-C5是常用汉字区。

这样我们可以找到几个依据:

1)尾字节40-7E是BIG5码特有的,可以以此来判别,但是现在GBK在这个码区也定义了

字符,不过这些汉字的使用频度不高,所以仍然可以作为一条依据,但无法保证100%

正确;

2)首字节A4-A9在GB中为日文假名、希腊字母、俄文字母和制表符,正常文本中很少

出现,AA-AF则根本没有定义,但这个范围却是BIG5码的常用汉字,所以如果文本中

频繁出现这个范围的码,也可以认为是BIG5码。尤其是首字节位于AA-AF之间,尾字

节位于A1-FE的,几乎100%是BIG5码无疑,因为即使在GBK中,这个范围也是没有定

义的。

为了提高识别的正确率,最好多种判据同时使用。另外还可以通过分析汉字出现的频

率,或查找某些常用的词组来判别。因为做起来比较复杂,就不多说了。

首字节C6-D7,尾字节A1-FE在GB中属于一级字库,是常用汉字,而在BIG5中,C6-C7没

有明确定义,但通常用来放日文假名和序号,C8-D7属于罕用汉字区。所以如果这个范

围的码出现较多,可以判别为GB码。

 
 
 
免责声明:本文为网络用户发布,其观点仅代表作者个人观点,与本站无关,本站仅提供信息存储服务。文中陈述内容未经本站证实,其真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。
 
 
© 2005- 王朝網路 版權所有  導航