HZ-GB-2312中文编码详解

什么是HZ-GB-2312编码？

在上世纪八十年代的时候，发送Email只允许使用7bits（即每个字节的8bits，最高位固定为0，只使用后面7bits）。早期的一些电脑操作系统也是基于ASCII（每字节最高位固定为0）。我们知道1字节等于8bits，对于英语国家来说，ASCII编码已经能够满足日常邮件内容。ASCII只有128种字母或符号，采用7bits足够了。但是，对于中文来说只使用7bits是远远不够的。当时已经存在GB2312字符集，每个中文汉字可以使用2字节（16bits）表示出来，GB2312总共定义了6000多个中文汉字或标点符号，足够日常使用。比如“国家”的“国”字，在GB2312中编码为0xB9FA，二进制表示为“10111001 11111010”，占据两个字节。

但是问题在于，“国”字的编码，两个字节把8bits全都用上了，每个字节的最高位是1，这种情况下当时的Email无法支持传输。那么问题就来了，怎样在满足最高位不使用，只使用后面7bits的情况下，把中文汉字表示出来？在这样的背景下，诞生了HZ-GB-2312编码。

HZ-GB-2312编码规则是什么？

HZ-GB-2312编码其实仅仅只是将已经存在的GB2312字符集使用另一种方式表示出来而已。GB2312的特点是，所有的中文汉字和符号，每字节最高位都是1（byte值大于128），那么一个比较直觉的方案是，所有的中文字符，把最高位的1全都换成0，这样就只利用了剩下的7bits。当然，直接替换成0，会导致GB2312的汉字和ASCII中的字母相冲突，因此，在中文的开端和结尾需要带上转义字符。HZ-GB-2312的编码方案也正是这种思路。

HZ-GB-2312的编码规则已经收录到RFC规范内，详情可查阅链接：https://tools.ietf.org/pdf/rfc1843.pdf 。如果你懒得看一大堆英文，也可以继续往下瞧，我用尽量通俗的语言解释一下HZ-GB-2312的细节。

HZ-GB-2312属于GB2312的另一种编码规则，特点就是不使用一个byte的最高位（即最高位永远为0）。GB2312中所有中文都是双字节编码，并且第一个字节值域在0xA1至0xF7，第二个字节值域在0xA1至0xFE，可见GB2312所有中文编码所有byte都是高位（最高位永远为1）。HZ-GB-2312编码方法是先把GB2312的编码值，两个字节都减去128（即最高位的1去掉，例如0xA1变为0x21），然后用‘~{’（即0x7E7B）和'~}'（即0x7E7D）把中文包裹在里面。

举例说明：

对于汉字“一”，他的GB2312编码为0xD2BB，如果两个byte各减去128，得到0x523B，因此“一”的HZ-GB-2312编码为0x7E7B523B7E7D。需要注意的是，一组'~{'和'~}'内部可以包裹任意个中文汉字。不在'~{'和'~}'包裹范围内的的部分都是ASCII编码格式。

汉字“一”的HZ-GB-2312编码过程

另外，

1 连续两个波浪线（即'~~'），会被解释为单个波浪线（第一个波浪线看作转义符号）

2 波浪线加换行符（即'~\n'），会被解释为续行标记，不会被打印，不做显示。这个的作用是可以在编码的时候，把一行比较长的文字编码为多个HZ-GB-2312的短行。

3 也就是说在HZ-GB-2312编码中，波浪线后面只可能跟着'~','\n','{','}'，除这4种之外，出现其他任何字符都是不可能的。

我们再来看一个完整的中英文混合语句的编码：

完整句子的HZ-GB-2312编码

在上面这个中英文混合语句中，我们可以看到中英文交替时候的转义字符，一组转义字符内可以放置任意个中文汉字的编码。另外，由于波浪线有了特殊含义，所以一个波浪线被编码为两个波浪线（第一个为转义字符）。最终，在email传输过程中，我们只需要把编码后的句子传到目标计算机，再通过解码，就可以将源字符串复原。编码后的句子完全是由ASCII字符组成，符合“只使用最低7bits”的要求。

HZ-GB-2312编码方式与其他常见编码的兼容性如何？

HZ-GB-2312编码与ASCII不兼容，因为波浪线被赋予了特殊意义。如果不计入波浪线的话，HZ-GB-2312和ASCII是兼容的。