ＧＢ２３１２编码方式下中英文字符分离问题

题目：

定义 CString  str ="沃尔玛123我的356开始"；非unioncode
怎么样把字符串的中文和数字区分；
返回结果 rstr1 = “沃尔玛我的开始” rstr2 = “123356”。
我按照单字符截取时总是出现乱码？请求大侠们指导！

下面是“飞雪”大哥的回帖，感觉很不错：留在我的博客里，以便以后借鉴！

#include    #include
using namespace std;

int main(int argc, char* argv[])
{
string src ="沃尔玛123我的356开始";
string str1, str2;
for (int i = 0; i < src.length();)
    if ((unsigned char)src[i] > 127) str1 += src[i++], str1 += src[i++];
else str2 += src[i++];
cout << str1 << endl << str2 << endl;
return 0;
}

沃尔玛我的开始

相关资料：

维基百科：GB2312编码

 

GB2312或GB2312-80是一个简体中文字符集的中国国家标准，全称为《信息交换用汉字编码字符集--基本集》，由中国国家标准总局发布，1981年5月1日实施。GB2312编码通行于大陆；新加坡等地也采用此编码。几乎所有的中文系统和国际化的软件都支持GB2312。

GB2312标准共收录6763个汉字，其中一级汉字3755个，二级汉字3008个；同时，GB2312收录了包括拉丁字母、希腊字母、日文平假名及片假名字母、俄罗斯语西里尔字母在内的682个全形字符。

GB2312的出现，基本满足了汉字的计算机处理需要，它所收录的汉字已经覆盖99.75%的使用频率。

对于人名、古汉语等方面出现的罕用字，GB2312不能处理，这导致了后来GBK及GB18030汉字字符集的出现。

分区表示

GB2312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。

01-09区为特殊符号。 

16-55区为一级汉字，按拼音排序。 

56-87区为二级汉字，按部首/笔画排序。 

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。

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”，第二个字节称为“低位字节”。

“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)。

例如“啊”字在大多数程序中，会以0xB0A1储存。（与区位码对比：0xB0=0xA0+16,0xA1=0xA0+1）。

 

分析：因为高位字节和低位字节都加上了０ｘＡ０，所以这２个字节都会＞１０１０００００（０ｘＡ０），必然也会大于等于１０００００００（１２８），也就大于１２７，其实更严格的说是大于０ｘＡ０，但是由于所有的ＡＳＣＩＩ字符都是小于等于１２７的（最大的ＡＳＣＩＩ码为１２７的是DEL),所以这里用>127来判断也是正确的。

所以下面的代码应该更严格一些：

#include
#include
using namespace std;

int main(int argc, char* argv[])
{
string src ="沃尔玛123我的356开始";
string str1, str2;
for (int i = 0; i < src.length();)
   if ((unsigned char)src[i] > 0xA0) str1 += src[i++], str1 += src[i++];
else str2 += src[i++];
cout << str1 << endl << str2 << endl;
return 0;
}