中文字符轉拼音：GB2312 區位碼二分查找完整原始碼與現代化改良

編輯：關於C語言

針對 GB2312 編碼漢字，利用區位碼區間映射到拼音，以二分查找實現 O(log N) 轉換。本文提供原始碼完整整理、邊界處理修正、C++17 現代化重構、UTF-8 支援擴展方案。

核心原理：GB2312 區位碼與拼音映射

GB2312 一級漢字 3755 字，按拼音排序。每個漢字佔 2 字節：高位字節 = 區碼 + 0xA0、低位字節 = 位碼 + 0xA0。將區位碼合併為 unsigned short，建立有序陣列 code_pin[] 對應 str_pin[]。

原始 C++ 實作（整理自原文）


#include <iostream>
#include <string>
#include <cstdint>
#include <cstring>

// 區位碼邊界表 (376 個分界點)
static const uint16_t code_pin[] = {
    0xb0a1,0xb0a3,0xb0b0,0xb0b9,0xb0bc,0xb0c5,0xb0d7,0xb0df,0xb0ee,0xb0fa,
    0xb1ad,0xb1bc,0xb1c0,0xb1c6,0xb1de,0xb1ea,0xb1ee,0xb1f2,0xb1f8,0xb2a3,
    // ... (共 376 項，原文完整陣列)
    0xd7f0,0xd7f2
};

// 對應拼音表 (不含聲調)
static const char* str_pin[] = {
    "a","ai","an","ang","ao","ba","bai","ban","bang","bao",
    "bei","ben","beng","bi","bian","biao","bie","bin","bing","bo",
    // ... (共 376 項)
    "zuo"
};

static const size_t PIN_SIZE = sizeof(code_pin)/sizeof(code_pin[0]);

// 二分查找單漢字拼音
const char* get_pinyin(uint16_t gb_code) {
    size_t lo = 0, hi = PIN_SIZE - 1;
    while (hi - lo > 1) {
        size_t mid = (lo + hi) / 2;
        if (code_pin[mid] == gb_code) return str_pin[mid];
        if (code_pin[mid] < gb_code) lo = mid;
        else hi = mid;
    }
    // 區間 [lo, hi]，取不超過 gb_code 的最大邊界
    return str_pin[(code_pin[hi] <= gb_code) ? hi : lo];
}

// GB2312 字串轉拼音 (無分隔)
std::string to_pinyin(const std::string& gb_str) {
    std::string result;
    for (size_t i = 0; i < gb_str.size(); ) {
        uint8_t hi_byte = gb_str[i];
        if (hi_byte < 0x80) {  // ASCII
            result.push_back(hi_byte);
            i++;
        } else {  // 雙字節漢字
            if (i + 1 >= gb_str.size()) break;
            uint8_t lo_byte = gb_str[++i];
            uint16_t gb_code = (hi_byte << 8) | lo_byte;
            result += get_pinyin(gb_code);
            i++;
        }
    }
    return result;
}

// 帶空格分隔版
std::string to_pinyin_spaced(const std::string& gb_str) {
    std::string result;
    bool first = true;
    for (size_t i = 0; i < gb_str.size(); ) {
        uint8_t hi_byte = gb_str[i];
        if (hi_byte < 0x80) {
            if (!first && (i>0 && (uint8_t)gb_str[i-1] >= 0x80)) result.push_back(' ');
            result.push_back(hi_byte);
            i++;
        } else {
            if (!first) result.push_back(' ');
            first = false;
            if (i + 1 >= gb_str.size()) break;
            uint8_t lo_byte = gb_str[++i];
            uint16_t gb_code = (hi_byte << 8) | lo_byte;
            result += get_pinyin(gb_code);
            i++;
        }
    }
    return result;
}

int main() {
    // 測試：需 GB2312 編碼源檔或輸入
    std::string test = "中國人民";  // 假設源檔為 GB2312
    std::cout << to_pinyin_spaced(test) << std::endl;
    // 預期輸出: zhong guo ren min
    return 0;
}

關鍵修正與改良點

問題	原文	修正
邊界查找邏輯	高位優先返回	雙邊界 `lo/hi`，取不超過目標的最大邊界
簽名型別	`unsigned short`	`uint16_t` 明確 16 位
字串處理	修改輸入指標 `input[++i]`	只讀索引 `i`，不修改原串
ASCII 判斷	`high < 0x80`	明確 `uint8_t` 避免負值擴展
編碼假設	隱含 GB2312	文件註明、運行時檢測或轉碼

現代化擴展：UTF-8 輸入支援

GB2312 已被 GBK/GB18030/UTF-8 取代。現代方案：

iconv / ICU：將 UTF-8 轉 GBK，再用上述表查找
完整映射表：建立 Unicode 碼點 → 拼音映射（約 2 萬常用字），二分查找或完美雜湊
開源庫：pypinyin (Python)、cpp-pinyin (C++)、go-pinyin (Go)

UTF-8 轉 GBK 後查找範例


// 需連結 libiconv
#include <iconv.h>

std::string utf8_to_gbk(const std::string& utf8) {
    iconv_t cd = iconv_open("GBK", "UTF-8");
    // ... 標準 iconv 轉換流程 ...
    iconv_close(cd);
    return gbk_str;
}

// 使用
std::string utf8_input = u8"中華人民共和國";
std::string gbk = utf8_to_gbk(utf8_input);
std::string pinyin = to_pinyin_spaced(gbk);