汉字与区位码互转(天天使用的String存储的是内码)，几个常见汉字编码，附有读书笔记

汉=BABA(内码)=-A0A0=2626(区位码)
字=D7D6(内码)=-A0A0=5554(区位码)

各种编码查询表：http://bm.kdd.cc/

“啊”字是GB2312之中的第一个汉字，会以两个字节，0xB0（第一个字节）0xA1（第二个字节）储存。
难=C4D1=50385
汉=BABA=47802
字=D7D6=55254
中=D6D0=54992
文=CEC4=52932
国=B9FA=47610
华=BBAA=48042
夏=CFC4=53188
吴=CEE2=52962
A=65
€=128
À=192
æ=230

GBK里特有的字：
在GB 2312-80推出以后才简化的汉字（如“啰”）
部分人名用字（如中国前总理朱镕基的“镕”字）
GBK3扩充区的第一个汉字“丂”的ANSI编码是8140H，这一点是经过理论和实践双验证的。

GBK的存储方式是大头存储，但Unicode是小头存储，参考： http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html
----------------------------------------------------------------------------------------------

//汉字转区位码
function Str2GB(const S: AnsiString): string;
const G = 160; // 160 = hA0
var n, m: word;
begin
n := Ord(S[1]);
m := Ord(S[2]);
Result := FormatFloat('00', n-G) + FormatFloat('00', m-G);
end;

//区位码转汉字
function GB2Str(const n: Word): string;
const G = 160;
begin //前2位数 //后2位数
Result := string(AnsiChar(n div 100 + G) + AnsiChar(n mod 100 + G));
end;

procedure TForm1.Button1Click(Sender: TObject);
begin
ShowMessage(GB2Str(StrToInt(Edit1.Text)));
end;

procedure TForm1.Button2Click(Sender: TObject);
begin
ShowMessage(Str2GB(AnsiString(Edit2.Text)));
end;

----------------------------------------------------------------------------------------------

特别注意，这是D7-XE7都可以使用的程序。因为ANSI与Unicode的区别仅仅在于，ANSI英文表示是一个字符，Unicode的英文是两个字符。但ANSI和Unicode处理中文的时候，都是两个字符，且两者内容完全一致。这么说ANSI与Unicode对汉字的处理几乎没有区别，区别在于对英文字符的处理，并且Unicode下还能处理除了中文以外的语言的特殊字符（比如俄文字符）。另外各个不同的ANSI编码之间那就真的是完全不同、鸡对鸭讲了。

===================================================

总结：这说明平时天天用到String，存储的是汉字的内码（不是区位码）。理论解释：汉字机内码，又称“汉字ASCII码”，简称“内码”，指计算机内部存储，处理加工和传输汉字时所用的由0和1符号组成的代码。输入码被接受后就由汉字操作系统的“输入码转换模块”转换为机内码，与所采用的键盘输入法无关。机内码是汉字最基本的编码，不管是什么汉字系统和汉字输入方法，输入的汉字外码到机器内部都要转换成机内码，才能被存储和进行各种处理。

前面是使用的是“内码”和“区位码”，其实还有一个“国际码”，关系如下：
内码（String使用的编码）=国标码（国家定义）+8080H（其实就是使最高位为1）=区位码（国家定义的基础表格）+A0A0H（多加了2020H）

出现最高位的原因是：
汉字处理系统要保证中西文的兼容，当系统中同时存在ASCII码和汉字国标码时，将会产生二义性。例如：有两个字节的内容为30H和21H，它既可表示汉字“啊”的国标码，又可表示西文“0”和“!”的ASCII码。为此，汉字机内码应对国标码加以适当处理和变换。国标码的内码为二字节长的代码，它是在相应国标码的每个字节最高位上加“1”。

出现国标码的原因是：
GB2312-80 GB2312将代码表分为94个区，对应第一字节；每个区94个位，对应第二字节，两个字节的值分别为区号值和位号值加32（20H）,因此也称为区位码。（读书笔记：94=5EH，这个值远小于128，因此加上20H等于7EH=126，因此再做变换没关系。而且我查了具体的Word文件，最后一项编码就是5E，而不是5F，这只能说GB2312定义的字符太少了，没有充分利用所有的空间。而且我特别注意到，每一个区的最后一行的低位F位置，确实没有定义任何汉字。问题，为什么要做变换？回答：查完基础表以后，再加上2020H就是国标码，政府就是这么规定的，没什么理由。为了方便和快速处理，实际编程使用最方便计算机标识的编码——内码，来使用，就可以直接标识是否汉字。区位码和国标码只是一种理论解释和定义，对程序员来说其实没什么用的。）

国标码是汉字信息交换的标准编码，但因其前后字节的最高位为0，与ASCII码发生冲突（读书笔记：国标码定义有道理，但不实用。另外我查了一下网上的GB2312Word文件，第一个字符就是A1A1，即已经加好了A0A0的内码，这样虽然对程序员更实用，但这个表格其实已经是被加工过的，而不是国家最初定义的从零开始的基础表格），如“保”?字，国标码为31H和23H，而西文字符“1”和“#”的ASCII也为31H和23H，现假如内存中有两个字节为31H和23H，这到底是一个汉字?，还是两个西文字符“1”和“#”于是就出现了二义性，显然，国标码是不可能在计算机内部直接采用的，于是，汉字的机内码采用变形国标码。
其变换方法为：将国标码的每个字节都加上128，即将两个字节的最高位由0改1，其余7位不变，如：由上面我们知道，“保”字的国标码为3123H，前字节为00110001B，后字节为00100011B，高位改1为10110001B和10100011B 即为B1A3H，因此，汉字的机内码就是B1A3H。

参考： http://baike.baidu.com/view/1199269.htm http://baike.baidu.com/view/990066.htm

举例来说，“啊”字是GB2312之中的第一个汉字，它的区位码就是1601。
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。（与区位码对比：0xB0=0xA0+16,0xA1=0xA0+1）。

---------------------------------------------------------------------------

下一个问题：测试一下QT存储的是什么码？我猜是内码的Unicode标识。因此QT字符串与Unicode版Delphi字符串应该兼容的（Delphi字符串头部在负方向，QT看不到）