GB 18030

支那では、パソコンなどにおいては「GBK」と呼ばれる符号を利用しており、これはこれでかなりの量の漢字文字が利用できた。

より多種の文字を利用するにはUnicode(支那規格GB 13000)等の利用が必要だった。しかしUnicodeの符号(UTF-16やUTF-8など)は、既に普及しているGBK符号と互換性がなく、移行するには敷居が高かった。そこで、GBKと上位互換になるように工夫しながらUnicodeを飲み込んだものがGB 18030という国家標準である。

GB 18030は符号化方法(CES)である。

従来のGBK相当の文字集合に、更にUnicode 1.1相当の文字集合を符号化することが出来る。

• 2000(平成12)年3月17日: GB 18030-2000公布
• 2005(平成17)年11月8日: GB 18030-2005公布

EUC-CNが大元で、その符号に拡張を続けて作られた。GBKは1または2バイトの可変長で、GB 18030では1、2、4バイトの可変長となった。

符号位置は、16進数で次の通りである。

• 1バイト ‐ 00‐7f
• 2バイト ‐ 81‐fe | 40‐7e、80‐fe
• 4バイト ‐ 81‐fe | 30‐39 | 81‐fe | 30‐39

2バイトの場合、第1バイトは126個分、第2バイトは190個分あり、23,940文字分の空間が存在する。

4バイト(GB 18030)の場合、第1バイトと第3バイトは126個分、第2バイトと第4バイトは10個分あり、1,587,600文字分の空間が存在する。

具体的な文字コード範囲は、次の通りになる。

GBKに収録されている21,886文字は全てが含まれている。

更に、Unicode 1.1のCJK統合漢字に含まれる全ての漢字(20,902字)と、互換領域から選ばれた漢字が、4バイトの領域に割り当てられている。

但し、4バイトで拡張された領域は、GBKに対して文字が重複しないよう、既存の文字を飛ばすようにして附番されている。

• U+00A2 (¢) 81 30 84 34
• U+00A3 (£) 81 30 84 35
• U+00A4 (¤) A1 E8
• U+00A5 (¥) 81 30 84 36
• U+00A6 (¦) 81 30 84 37
• U+00A7 (§) A1 EC
• U+00A8 (¨) A1 A7
• U+00A9 (©) 81 30 84 38
• U+00AA (ª) 81 30 84 39

つまり、UnicodeとGB 18030はアルゴリズム的に結ばれるわけではなく、必ず変換テーブルを介さないとならない。

4バイトの符号領域は、次の目的に割り当てられている。

各領域はそれぞれ、少しずつ広めに確保されている。