`
etongg
  • 浏览: 14224 次
  • 性别: Icon_minigender_1
  • 来自: 杭州
文章分类
社区版块
存档分类
最新评论

取汉字拼音首之母原理

    博客分类:
  • java
阅读更多

基础知识

GB 2312标准共收录6763个汉字,其中一级汉字3755个,二级汉字3008个。

分区表示

GB 2312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。
1)01-09区为特殊符号。
2)16-55区为一级汉字,按拼音排序。
3)56-87区为二级汉字,按部首/笔画排序。
4)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。

 

字节结构

在使用GB2312的程序中,通常采用EUC储存方法,以便兼容于ASCII。浏览器编码表上的“GB2312”,通常都是指“EUC-CN”表示法。
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”(也称“区字节)”,第二个字节称为“低位字节”(也称“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加上 0xA0)。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,“低位字节”的范围是0xA1-0xFE,占用的码位是 72*94=6768。其中有5个空位是D7FA-D7FE。
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。区位码=区字节+位字节(与区位码对比:0xB0=0xA0+16,0xA1=0xA0+1)。

GB2312编码表
16 0 1 2 3 4 5 6 7 8 9
0   啊 阿 埃 挨 哎 唉 哀 皑 癌
1 蔼 矮 艾 碍 爱 隘 鞍 氨 安 俺
2 按 暗 岸 胺 案 肮 昂 盎 凹 敖
3 熬 翱 袄 傲 奥 懊 澳 芭 捌 扒
4 叭 吧 笆 八 疤 巴 拔 跋 靶 把
5 耙 坝 霸 罢 爸 白 柏 百 摆 佰
6 败 拜 稗 斑 班 搬 扳 般 颁 板
7 版 扮 拌 伴 瓣 半 办 绊 邦 帮
8 梆 榜 膀 绑 棒 磅 蚌 镑 傍 谤
9 苞 胞 包 褒 剥

17 0 1 2 3 4 5 6 7 8 9
0   薄 雹 保 堡 饱 宝 抱 报 暴
1 豹 鲍 爆 杯 碑 悲 卑 北 辈 背
2 贝 钡 倍 狈 备 惫 焙 被 奔 苯
3 本 笨 崩 绷 甭 泵 蹦 迸 逼 鼻
4 比 鄙 笔 彼 碧 蓖 蔽 毕 毙 毖
5 币 庇 痹 闭 敝 弊 必 辟 壁 臂
6 避 陛 鞭 边 编 贬 扁 便 变 卞
7 辨 辩 辫 遍 标 彪 膘 表 鳖 憋
8 别 瘪 彬 斌 濒 滨 宾 摈 兵 冰
9 柄 丙 秉 饼 炳

18 0 1 2 3 4 5 6 7 8 9
0   病 并 玻 菠 播 拨 钵 波 博
1 勃 搏 铂 箔 伯 帛 舶 脖 膊 渤
2 泊 驳 捕 卜 哺 补 埠 不 布 步
3 簿 部 怖 擦 猜 裁 材 才 财 睬
4 踩 采 彩 菜 蔡 餐 参 蚕 残 惭
5 惨 灿 苍 舱 仓 沧 藏 操 糙 槽
6 曹 草 厕 策 侧 册 测 层 蹭 插
7 叉 茬 茶 查 碴 搽 察 岔 差 诧
8 拆 柴 豺 搀 掺 蝉 馋 谗 缠 铲
9 产 阐 颤 昌 猖

根据上面的表述,我们可以把16-55区的一级汉字,取拼音首之母了。

首先找出不同拼音首之母,且在码表中位置最靠前的汉字,计算出它们的编码值。
(GB2312完整码表http://210.44.195.12/yyx/chinese/News/UploadFile/GB2312.htm)
其他汉字在相同编码下,只需计算出其所在的区间位置。

 

1. 判断是否为英文之母

2. 如果是,直接返回英文之母

3. 取字符的编码值

4. 比较判断其编码值在码表中的位置。

5. 根据位置值,返回之母表中相应值。

 

// 字母Z使用了两个标签,这里有27个值   ('座'之后的汉字是二级汉字,按部首/笔画排序)
// i, u, v都不做声母, 跟随前面的字母
private static char[]      chartable   = { '啊', '芭', '擦', '搭', '蛾', '发', 
                                         '噶', '哈', '哈', '击', '喀', '垃', '妈', '拿',
                                         '哦', '啪', '期', '然', '撒', '塌', '塌', '塌',
                                         '挖', '昔', '压', '匝', '座' };

private static int[]       table       = new int[27];

// 初始化,GB2312编码值
static {
    for (int i = 0; i < 27; ++i) {
        table[i] = gbValue(chartable[i]);
    }
}

// 取出汉字的编码
private static int gbValue(char ch) {
    String str = new String();
    str += ch;
    try {
        byte[] bytes = str.getBytes("GB2312");
        if (bytes.length < 2) return 0;
        return (bytes[0] << 8 & 0xff00) + (bytes[1] & 0xff);
    } catch (Exception e) {
        return 0;
    }
}

 


这种方法能力有限,只可以识别一级汉字,对二级汉字就无法识别。

 

附上代码:

// 字母Z使用了两个标签,这里有27个值
    // i, u, v都不做声母, 跟随前面的字母
    private static char[]      chartable   = { '啊', '芭', '擦', '搭', '蛾', '发',
                                             '噶', '哈', '哈', '击', '喀', '垃', '妈', '拿',
                                             '哦', '啪', '期', '然', '撒', '塌', '塌', 
                                              '塌', '挖', '昔', '压', '匝', '座' };

    public static final char[] firstLetter = { 'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N',
            'O', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z' };

    private static int[]       table       = new int[27];

    // 初始化
    static {
        for (int i = 0; i < 27; ++i) {
            table[i] = gbValue(chartable[i]);
        }
    }

    // 主函数,输入字符,得到他的声母,
    // 英文字母返回对应的大写字母
    // 其他非简体汉字返回 '0'

    public static char char2Alpha(char ch) {

        if (ch >= 'a' && ch <= 'z') return (char) (ch - 'a' + 'A');
        if (ch >= 'A' && ch <= 'Z') return ch;

        int gb = gbValue(ch);
        if (gb < table[0]) return '0';

        int i;
        for (i = 0; i < 26; ++i) {
            if (match(i, gb)) break;
        }

        if (i >= 26) return '0';
        else return firstLetter[i];
    }

    // 根据一个包含汉字的字符串返回一个汉字拼音首字母的字符串
    public static String string2Alpha(String SourceStr) {
        String Result = "";
        int StrLength = SourceStr.length();
        int i;
        try {
            for (i = 0; i < StrLength; i++) {
                Result += char2Alpha(SourceStr.charAt(i));
            }
        } catch (Exception e) {
            Result = "";
        }
        return Result;
    }

    // 获取一个字符串的拼音码大写
    public static String getFirstWordFirstLetter(String SourceStr) {
        String Result = "*";
        try {
            Result = String.valueOf(char2Alpha(SourceStr.charAt(0)));
        } catch (Exception e) {
            Result = "*";
        }
        return Result;
    }

    private static boolean match(int i, int gb) {
        if (gb < table[i]) return false;

        int j = i + 1;

        // 字母Z使用了两个标签
        while (j < 26 && (table[j] == table[i]))
            ++j;

        if (j == 26) return gb <= table[j];
        else return gb < table[j];

    }

    // 取出汉字的编码
    private static int gbValue(char ch) {
        String str = new String();
        str += ch;
        try {
            byte[] bytes = str.getBytes("GBK");
            if (bytes.length < 2) return 0;
            return (bytes[0] << 8 & 0xff00) + (bytes[1] & 0xff);
        } catch (Exception e) {
            return 0;
        }
    }
分享到:
评论

相关推荐

Global site tag (gtag.js) - Google Analytics