AI解剖课堂 · Part 3 把文字变成数字

第 28 章 计算机里的文字

Q. 汉字有好几万个，计算机是怎么给它们一个个编号的？

1. 第 6 章说过，每个字都有编号，“中”是 20013 号。今天来看看这些编号是怎么排出来的。
2. Unicode 是给全世界文字编号的大表。“A”是 65，“中”是 20013，笑脸表情是 128512，一共超过 15 万个字符。
3. 很多汉字是拼出来的。“江”就是左边的“氵”加上右边的“工”。“氵”是部首，表示和水有关；“工”提示读音。
4. 汉字在 Unicode 里有一大片自己的区域，从“一”（19968）开始。加上后来补充的扩展区，一共超过 9 万个汉字。
5. 编号不是乱排的：先按部首排，同一个部首再按笔画数排。部首用的是《康熙字典》的 214 个。
6. 所以同部首的字住在隔壁。“江”是 27743，“池”是 27744，“污”是 27745，都是“氵”再加 3 画。
7. 可是右边都是“工”的扛、杠、江、红、虹却离得很远。汉字没有公式，知道部件也算不出编号，只能查表。
8. 一个存储格（字节）只能放 0～255，大编号要拆开写。“A”占 1 格，“中”占 3 格。这些字节就是词元的原料。

本章小结

• Unicode：给全世界每个字符编号的大表。“A”是 65，“中”是 20013。
• 很多汉字由部首 + 声旁拼成。编号先按部首、再按笔画排，没有公式，要查表。
• 存储时拆成 0～255 的数字（字节）。一个常用汉字 = 3 个字节。