基于python的汉字转GBK码实现代码
基于python的汉字转GBK码实现代码
发布时间:2016-12-28 来源:查字典编辑
摘要: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.1...

基于python的汉字转GBK码实现代码1

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

复制代码 代码如下:

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

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:

基于python的汉字转GBK码实现代码2

基于python的汉字转GBK码实现代码3

删除掉这些字符:

先把分割得到的list全部解码,然后

复制代码 代码如下:

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

复制代码 代码如下:

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']:

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。

复制代码 代码如下:

t=['A1']

while True:

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

break

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

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

continue

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

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

continue

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

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

continue

得到的列表:

基于python的汉字转GBK码实现代码4

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。

基于python的汉字转GBK码实现代码5

我把这个字典文件放到网盘上了,外链:http://dl.dbank.com/c0m9selr6h

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:

复制代码 代码如下:

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

#gbkFile字典文件 共3755个汉字

#s为要转换的汉字,暂且为gb2312编码,即从IDLE输入的汉字编码

#读入字典

with open(gbkFile) as f:

gbk=f.read().split()

#生成A1-FE的索引编码

t=['A1']

while True:

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

break

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

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

continue

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

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

continue

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

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

continue

#依次索引每个汉字

l=list()

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

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

i=gbk.index(st)+1

#小节编码从B0开始,获取汉字的小节编码

t1='%'+t[t.index('B0'):][i/94]

#汉字在节点中的索引号

i=i-(i/94)*94

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

l.append(t1+t2)

#最后用空格分隔输出

return ' '.join(l)

基于python的汉字转GBK码实现代码6

得承认我的python代码不是那么工整

附上我的微博ID:小栾Cooper

推荐文章
猜你喜欢
附近的人在看
推荐阅读
拓展阅读
相关阅读
网友关注
最新python学习
热门python学习
脚本专栏子分类