基于python的汉字转GBK码

开心123

　　说明：
　　今天想用python调用百度框计算的搜过结果，看到了URL里面的汉字用GBK编码，虽然可以直接在URL里面加入中文，之前也做过一个简体字转GBK码的python函数，但还是略嫌麻烦，今天改了一下。

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


View Code


1 with open('E:/GBK.txt') as f:
2     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：


删除掉这些字符：
先把分割得到的list全部解码，然后


View Code


1 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


View Code


1 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']:
2     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。



1 t=['A1']
2 while True:
3     if t[-1]=='FE':
4         break
5     if (ord(t[-1][1])>=48 and ord(t[-1][1])=65 and ord(t[-1][1])=57 and ord(t[-1][1])=70:
12         t.append(chr(ord(t[-1][0])+1)+chr(48))
13         continue
　　得到的列表：

　　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。

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：



1 def getGBKCode(gbkFile='E:/GBK1.1.txt',s=''):
2     #gbkFile字典文件 共3755个汉字
3     #s为要转换的汉字，暂且为gb2312编码，即从IDLE输入的汉字编码
4
5     #读入字典
6     with open(gbkFile) as f:
7         gbk=f.read().split()
8
9     #生成A1-FE的索引编码
10     t=['A1']
11     while True:
12         if t[-1]=='FE':
13             break
14         if (ord(t[-1][1])>=48 and ord(t[-1][1])=65 and ord(t[-1][1])=57 and ord(t[-1][1])=70:
21             t.append(chr(ord(t[-1][0])+1)+chr(48))
22             continue
23     #依次索引每个汉字
24     l=list()
25     for st in s.decode('gb2312'):
26         st=st.encode('utf-8')
27         i=gbk.index(st)+1
28         #小节编码从B0开始，获取汉字的小节编码
29         t1='%'+t[t.index('B0'):][i/94]
30         #汉字在节点中的索引号
31         i=i-(i/94)*94
32         t2='%'+t[i-1]
33         l.append(t1+t2)
34     #最后用空格分隔输出
35     return ' '.join(l)

　　
得承认我的python代码不是那么工整
附上我的微博ID：小栾Cooper
完毕，欢迎吐槽