1. 从 UltraEdit 里那串 B4F3 说起如果你用十六进制编辑器打开过一个 GB 2312 编码的文本文件大概率见过类似B4F3、B1A3这样的字节对。它们既不是 UTF-8也不是 ASCII而是 GB 2312 的机内码。区位码、国标码、机内码这三个概念经常被混着讲实际换算时又容易在“加 2020H 还是加 8080H”“区码位码要不要分开加”这些细节上翻车。这篇面向中文编码教学与调试场景把 GB 2312 里区位码、国标码、机内码的换算关系拆开讲清楚并给出一套可复制的 Python 转换脚本和config.toml骨架。脚本本身不依赖网络但我会用 TaoToken 的统一 Key 调用 API 做批量码位换算结果的交叉验证把“算出来的”和“模型/接口返回的”对一遍减少手工推导的误差。适合正在学中文编码、写编解码工具、或者排查乱码问题的同学跟做。核心检索词先摆出来区位码是区号和位号的十进制表示国标码是区位码加 2020H 后的十六进制机内码是国标码再加 8080H也就是区位码的区、位分别加 160 后转十六进制。记住这条主线后面所有例子都围绕它展开。2. 区位码、国标码、机内码到底是什么关系2.1 94×94 的方阵与区位码GB 2312-80 把汉字和符号排成一个 94 行、94 列的矩阵。每一行叫一个“区”每一列叫一个“位”区号和位号都从 01 到 94。每个位置放一个字符用“区号位号”就能定位这就是区位码。比如“大”字在 20 区 83 位区位码记作 2083前两位是区码后两位是位码。区位码是十进制写法区码和位码各自独立范围都是 01 到 94。这一点很关键因为后面做加法时是区码加区码、位码加位码不是把 2083 当成一个整体去加。2.2 国标码区位码加 2020H把区码和位码分别转成十六进制再各自加上 20H十进制 32就得到国标码。为什么加 32因为 GB 2312 的图形字符区从 0x21 开始避开 ASCII 的控制字符区。以“大”为例区码 20 转十六进制是 14H位码 83 转十六进制是 53H得到 1453H。然后 14H20H34H53H20H73H国标码就是 3473H。2.3 机内码国标码加 8080H国标码两个字节的最高位都是 0和 ASCII 直接冲突。比如“保”的国标码是 3123H而 ASCII 里 31H 是字符“1”、23H 是“#”内存里出现 31 23 就分不清是汉字还是两个西文字符。解决办法是把每个字节最高位改成 1也就是加 80H十进制 128。国标码 3473H 加 8080H 得 B4F3H这就是“大”的机内码。机内码每个字节都大于 128和 ASCII 的 0 到 127 天然区分开所以计算机内部存汉字用机内码。2.4 一步到位区码位码各加 160既然国标码加 2020H、机内码再加 8080H合起来就是区位码的区码和位码分别加 20H80H0xA0H也就是十进制 160。区码 20160180转十六进制 B4H位码 83160243转十六进制 F3H直接得到 B4F3H。调试时用这个一步法最快但理解原理还是建议走完整链路。编码“大”的取值计算方式区位码2083区 20、位 83国标码3473H区位转十六进制后各加 20H机内码B4F3H国标码各字节加 80H或区位各加 1603. TaoToken 前置统一 Key 与 config.toml 骨架3.1 为什么这里要接 API纯本地脚本就能算区位码到机内码但教学和调试场景里经常需要批量核对几百个码位或者让模型帮忙解释某个边界用例为什么报错。TaoToken 提供统一的 API Key把模型对话、编码辅助这类请求收敛到一个入口省得每个工具单独配一套凭证。官网入口在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 基址是 https://taotoken.net/api 。3.2 拿 Key 与配置文件先在控制台创建 API Key地址是 https://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。拿到 Key 后不要硬编码进脚本放进config.toml# config.toml [taotoken] api_base https://taotoken.net/api api_key sk-你的Key model gpt-4o-mini timeout 30 [gb2312] # 用于批量验证的码位样本文件 sample_file samples.txt # 输出对照结果 output_file verify_result.csv读取配置用 Python 标准库tomllib3.11即可不引入额外依赖import tomllib with open(config.toml, rb) as f: cfg tomllib.load(f) API_BASE cfg[taotoken][api_base] API_KEY cfg[taotoken][api_key] MODEL cfg[taotoken][model]注意config.toml里含密钥提交代码前记得加进.gitignore别把 Key 推到公开仓库。4. 可复制的 Python 转换脚本4.1 核心换算函数下面这段覆盖区位码、国标码、机内码三者的双向转换边界检查也放在里面def quwei_to_guobiao(qu: int, wei: int) - str: 区位码转国标码返回4位十六进制字符串 if not (1 qu 94 and 1 wei 94): raise ValueError(f区号位号必须在1-94之间: qu{qu}, wei{wei}) q_hex qu 0x20 w_hex wei 0x20 return f{q_hex:02X}{w_hex:02X} def guobiao_to_ji(guobiao: str) - str: 国标码转机内码 b bytes.fromhex(guobiao) ji bytes([x 0x80 for x in b]) return ji.hex().upper() def quwei_to_ji(qu: int, wei: int) - str: 区位码一步转机内码 return guobiao_to_ji(quwei_to_guobiao(qu, wei)) def ji_to_quwei(ji_hex: str) - tuple: 机内码反推区位码 b bytes.fromhex(ji_hex) qu b[0] - 0xA0 wei b[1] - 0xA0 return qu, wei # 验证“大”字 print(quwei_to_guobiao(20, 83)) # 3473 print(quwei_to_ji(20, 83)) # B4F3 print(ji_to_quwei(B4F3)) # (20, 83)跑一遍应该输出3473、B4F3、(20, 83)。如果ji_to_quwei返回负数说明输入的机内码字节小于 0xA0不是合法 GB 2312 汉字区码位。4.2 批量验证脚本把待验证的码位写进samples.txt每行一个“区,位”import csv def batch_verify(sample_file: str, output_file: str): rows [] with open(sample_file, encodingutf-8) as f: for line in f: line line.strip() if not line or line.startswith(#): continue qu, wei map(int, line.split(,)) gb quwei_to_guobiao(qu, wei) ji quwei_to_ji(qu, wei) ch bytes.fromhex(ji).decode(gb2312, errorsreplace) rows.append([qu, wei, gb, ji, ch]) with open(output_file, w, newline, encodingutf-8) as f: w csv.writer(f) w.writerow([区, 位, 国标码, 机内码, 字符]) w.writerows(rows) return rows batch_verify(samples.txt, verify_result.csv)samples.txt示例20,83 31,23 16,01 55,904.3 用 TaoToken 做交叉验证本地算完后把结果发给模型核对重点看边界用例。请求走 OpenAI 兼容格式import httpx def ask_taotoken(prompt: str) - str: headers { Authorization: fBearer {API_KEY}, Content-Type: application/json, } payload { model: MODEL, messages: [{role: user, content: prompt}], temperature: 0, } resp httpx.post(f{API_BASE}/v1/chat/completions, jsonpayload, headersheaders, timeout30) resp.raise_for_status() return resp.json()[choices][0][message][content] prompt 区位码2083的国标码和机内码分别是什么只回答两个十六进制值。 print(ask_taotoken(prompt))模型对话入口在 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 可以先在网页里试几个码位确认返回格式再写进脚本。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 参数细节以文档为准。5. 验证请求与成功结果5.1 本地脚本输出运行batch_verify后verify_result.csv应该长这样区位国标码机内码字符20833473B4F3大31233F37BFB7保16013021B0A1啊5590577AD7FA中“啊”是 GB 2312 第一个汉字区位码 1601机内码 B0A1这个边界值一定要测。“中”的机内码 D7FA 也是常见对照点。5.2 API 返回对照调用ask_taotoken问“区位码2083的国标码和机内码”正常返回类似国标码3473H机内码B4F3H把模型返回和本地 CSV 逐行比对一致就说明换算链路没问题。如果模型返回带解释文字用正则提取十六进制值再比import re def extract_hex(text: str): return re.findall(r[0-9A-Fa-f]{4}, text)5.3 ASCII 对照检查GB 2312 的 ASCII 部分0x00 到 0x7F和标准 ASCII 一致汉字区从 0xA1A1 开始。写个检查动作确认边界def check_ascii_boundary(): # ASCII 可打印范围 assert bytes.fromhex(41).decode(ascii) A # GB2312 汉字区起始 assert bytes.fromhex(B0A1).decode(gb2312) 啊 # 0xA0 以下不是 GB2312 汉字 try: bytes.fromhex(9FA0).decode(gb2312) print(意外9FA0 被解码) except UnicodeDecodeError: print(边界正确9FA0 不属于 GB2312 汉字区) check_ascii_boundary()6. 本篇常见错排查6.1 加 2020H 时把区位码当整体加最常见的错是把 2083 直接当十六进制或整体加 0x2020。正确做法是区码 20 和位码 83 分别转十六进制、分别加 20H。写成0x2083 0x2020会得到完全错误的结果。6.2 机内码字节小于 0xA0如果反推区位码时出现负数或大于 94 的值说明输入的机内码不是 GB 2312 汉字。GB 2312 汉字机内码两个字节都在 0xA1 到 0xFE 之间。用bytes.fromhex后逐字节判断def is_valid_ji(ji_hex: str) - bool: b bytes.fromhex(ji_hex) return len(b) 2 and all(0xA1 x 0xFE for x in b)6.3 解码时用了错误的编码名Python 里 GB 2312 的编码名是gb2312不是gbk也不是gb18030。用gbk解码 GB 2312 字节通常也能过但遇到 GB 2312 未收录的字符时行为不同。教学场景建议严格用gb2312报错才能暴露边界问题。6.4 API 请求 401 或超时401 一般是 Key 没带对检查Authorization头是不是Bearer sk-xxx格式。超时把timeout调到 60或者减少单次请求的码位数量。批量验证时建议每 20 个码位发一次请求别一次塞几百行。6.5 config.toml 读取报错tomllib要求 Python 3.11 及以上。低版本用tomli替代导入时做兼容try: import tomllib except ImportError: import tomli as tomllib7. 继续跑通你的编码验证链路把samples.txt换成你实际要调试的码位跑完本地脚本再用 TaoToken 交叉验证基本能覆盖区位码、国标码、机内码换算的常见坑。长期做编码工具或 Agent 辅助调试的话可以看看 Coding Plan地址是 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 把模型调用额度固定下来批量验证时不用每次担心配额。最后留一个实用技巧调试 GB 2312 乱码时先把可疑字节按机内码反推区位码如果区号落在 01 到 09 的符号区大概率是标点或全角字符不是汉字落在 16 到 55 才是常用汉字区。这个判断能帮你快速缩小排查范围。
