3.3.2 中文信息的编码与表示
汉字也是字符，是中文的基本组成单位。GB 2312—1980《信息交换用汉字编码字符集基本集》是常用的汉字编码标准，它收录了6763个常用汉字。根据这些汉字使用频率的高低，又将它们分成两部分，一部分称为一级汉字共3755个，即最常用的汉字；另一部分称为二级汉字共3008个，为次常用的汉字。GB 2312—1980还收录了一些数字符号、图形符号、外文字母等。
汉字与西方文字不同。西方文字是拼音文字，仅用为数不多的字母和其他符号即可拼组成大量的单词、句子，这与计算机可以接受的信息形态和特点基本一致，所以处理起来比较容易。例如，对英文字符的处理，7位ASCII码字符集中的字符即可满足使用需求，且英文字符在计算机上的输入及输出也非常简单。因此，英文字符的输入、存储、内部处理和输出都可以只用同一个编码（如ASCII码）。而汉字是一种象形文字，字数极多（现代汉字中仅常用字就有六七千个，总字数高达5万个以上），字形复杂，且每一个汉字都有“音、形、义”三要素，同音字、异体字也很多，这些都给汉字的计算机处理带来了很大的困难。要在计算机中处理汉字，必须解决以下几个问题：首先是汉字的输入，即如何把结构复杂的方块汉字输入计算机中，这是汉字处理的关键；其次，汉字在计算机内如何表示和存储，如何与西文兼容。最后，如何将汉字的处理结果从计算机内输出。
为此，必须将汉字代码化，即对汉字进行编码。对应于上述汉字处理过程中的输入、内部处理及输出这3个主要环节，每一个汉字的编码都包括输入码、交换码、机内码和字形码。在计算机的汉字信息处理系统中，处理汉字时要进行如下的代码转换：输入码→交换码→机内码→字形码。以上简述了对汉字进行计算机处理的基本思想和过程，下面具体介绍汉字的4种编码。
1.输入码
为了利用计算机上现有的标准西文键盘来输入汉字，必须为汉字设计输入编码。输入码又称外码。目前，已申请专利的汉字输入编码方案有六七百种之多，而且还不断有新的输入方法问世，以至于有“万‘码’奔腾”之喻。按照设计思想的不同，可把数量众多的输入码归纳为四大类：数字编码、拼音码、字形码和音形码。目前应用最广泛的是拼音码和字形码。
①数字编码：数字编码是用等长的数字串为汉字逐一编号，以这个编号作为汉字的输入码。例如，区位码、电报码等都属于数字编码。此种编码的编码规则简单，易于和汉字的内部码转换，但难于记忆，仅适用于某些特定部门。
②拼音码：拼音码是以汉字的读音为基础的输入方法。拼音码使用方法简单，一学就会，易于推广，缺点是重码率较高（因为汉字同音字多），在输入时要进行屏幕选字，影响输入速度。拼音码是按照汉语拼音编码输入的，因此在输入汉字时，要求读音标准，不能使用方言。拼音码特别适合于对输入速度要求不太高的非专业录入人员使用。
③字形码：字形码是以汉字的字形结构为基础的输入编码。在微型机上广为使用的五笔字型码（王码）是字形码的典型代表。五笔字型码的主要特点为输入速度快，但这种输入方法因为要记忆字根、练习拆字，所以前期学习花费的时间较多。此外，有极少数的汉字拆分困难，给出的编码与汉字的书写习惯不一致。
④音形码：音形码是兼顾汉字的读音和字形的输入编码。目前使用较多的音形码是自然码。
2.交换码
交换码用于汉字外码和内部码的交换。我国于1981年颁布的（GB 2312—1980）《信息交换用汉字编码字符集基本集》是交换码的国家标准，所以交换码又称国标码。国标码是双字节代码，即每两个字节为一个汉字编码。每个字节的最高位为0。国标GB 2312—1980收入常用汉字6763个，其他字母及图形符号682个，总计7445个字符。将这7445个字符按94行×94列排列在一起，组成GB 2312—1980字符集编码表，表中的每一个汉字都对应于唯一的行号（称为区号）和列号（称为位号），根据区位号确定汉字的国标码值，分别用两个字节存储。
由于篇幅所限，本书未列出GB 2312—1980字符编码表，可参看相关书籍。
3.机内码
机内码是汉字在计算机内的基本表示形式，是计算机对汉字进行识别、存储、处理和传输所用的编码。内部码也是双字节编码，将国标码两个字节的最高位都置为1，即转换成汉字的内部码。计算机信息处理系统就是根据字符编码的最高位是1还是0来区分汉字字符和ASCII码字符。
4.字形码
字形码是表示汉字字形信息（汉字的结构、形状、笔画等）的编码，用来实现计算机对汉字的输出（显示或打印）。由于汉字是方块字，因此，字形码最常用的表示方式是点阵形式，有16×16点阵、24×24点阵、48×48点阵等。例如，16×16点阵的含义为：用256（16×16=256）个点来表示一个汉字的字形信息。每个点有“亮”或“灭”两种状态，用一个二进制的1或0来对应表示。因此，存储一个16×16点阵的汉字需要256个二进制位，共32字节。
以上的点阵可根据汉字输出的不同需要进行选择，点阵的点数越多，输出的汉字就越精确、美观。
汉字的字形点阵要占用大量的存储空间，通常将其以字库的形式存储在机器的外存中，需要时才检索字库，输出相应汉字的字形。为避免占用大量宝贵的内存空间，同时又能提高汉字的处理速度，可将字库中的二级汉字存储在外存中，而将一级汉字存储在内存中。
GB 2312—1980规定了用连续的两个字节来表示一个汉字，并且只用各个字节的低7位，最高位未定义，这样一来就有可能与ASCII码字符产生冲突。就单个字节来说，两种编码方式都只用到字节的低7位，ASCII码规定高位置为0，而国标码对高位未定义。因此，对单个字节而言，不能确定它到底是一个ASCII码字符还是一个汉字的一部分（低字节或高字节）。于是有很多解决这类问题的方案应运而生，变形国标码就是其中之一，并得到了广泛的应用。它的主要特点是将国标码编码的各个字节的最高位置为1，以达到区别于ASCII编码的目的。
由于计算机中各种信息都以二进制的形式存在，有的是数值，有的是ASCII码字符，有的是汉字，如何区分它们取决于（或者程序）按照何种规则判读它们。例如，对于机器内存中连续两个字节，它们的低7位内容分别为0110000和0100001，如果它们的最高位均为1，则表示汉字“啊”；如果均为0，则表示为两个ASCII码字符0和1。另外，还可以根据不同的编码规则将它们判读成不同的字符，这里不再详细叙述。