GBK (codificación de caracteres)

GBK es una extensión del conjunto de caracteres GB 2312 para caracteres chinos simplificados , utilizado en la República Popular China . Incluye todos los caracteres CJK unificados que se encuentran en GB 13000.1-93 , es decir, ISO/IEC 10646:1993, o Unicode 1.1. Desde su lanzamiento inicial en 1993, Microsoft ha ampliado GBK en la página de código 936/1386 , que luego se extendió a GBK 1.0 . GBK es también el nombre de Internet registrado por la IANA para la asignación de Microsoft, ^{[ 1 ]} que difiere de otras implementaciones principalmente por el signo euro de un solo byte en 0x80.

GB es la abreviatura de Guójiā Biāozhǔn , que significa estándar nacional en chino, mientras que K significa Extensión (扩展kuòzhǎn ). GBK no solo extendió el antiguo estándar GB 2312 con caracteres chinos tradicionales, sino también con caracteres chinos que se simplificaron después del establecimiento de GB 2312 en 1981. Con la llegada de GBK, ciertos nombres con caracteres que antes no se podían representar, como el carácter 镕 ( róng ) en el nombre del ex primer ministro chino Zhu Rongji , ahora sí se pueden representar. ^{[ 2 ]}

A diciembre de 2025 GBK es la tercera codificación más declarada servida desde China y territorios (después de UTF-8 y el subconjunto GB 2312 ), con un 1,3% de los servidores web sirviendo una página que declara GBK. ^{[ 3 ]} Sin embargo, todos los principales navegadores web decodifican los documentos marcados con GB2312 como si estuvieran marcados con GBK, es decir, no como un subconjunto (lo que significa que, en efecto, GBK es la segunda codificación más popular) excepto Safari y Edge en la etiqueta GB_2312(sin embargo, decodifican GB_2312-80y GB2312como el superconjunto GBK). ^{[ 4 ]} Juntas, las codificaciones GBK y GB 2312 tienen una presencia combinada del 3,5% en China y territorios. ^{[ 3 ]} A nivel mundial, GBK representa menos del 0,02% de todas las páginas web y GBK+GB2312 menos del 0,07%. ^{[ 5 ]}

En 1993 se publicó el estándar Unicode 1.1, que incluía 20.902 caracteres utilizados en China continental , Taiwán , Japón y Corea . Posteriormente, China publicó GB 13000.1-93 , el estándar Guobiao equivalente a Unicode 1.1.

El conjunto de caracteres GBK se definió en 1993 como una extensión de GB 2312-80 , incluyendo también los caracteres de GB 13000.1-93 a través de los puntos de código no utilizados disponibles en GB 2312. Por lo tanto, GBK es retrocompatible con GB 2312. GBK se definió en un anexo normativo de GB 13000.1-93. ^{[ 6 ]}

Microsoft implementó GBK en Windows 95 y Windows NT 3.51 como la página de códigos 936. Si bien GBK nunca fue un estándar oficial, el uso generalizado de Windows 95 lo convirtió en el estándar de facto . Aunque GBK incluía todos los caracteres chinos definidos en Unicode 1.1 y GB 13000.1-93, estos estándares utilizaban tablas de códigos diferentes. La razón principal de su existencia era simplemente servir de puente entre GB 2312-80 y GB 13000.1-93.

En 1995, el Comité Técnico Nacional de Estandarización de Tecnologías de la Información de China estableció la Especificación de Extensión del Código Interno Chino ( chino :汉字内码扩展规范 (GBK) ; pinyin : Hànzì Nèimǎ Kuòzhǎn Guīfàn (GBK) ), Versión 1.0, conocida como GBK 1.0 , que es una ligera extensión de la página de códigos 936. Los 95 caracteres recién añadidos no se encontraban en GB 13000.1-1993 y se les asignaron provisionalmente puntos de código Unicode PUA . ^{[ 7 ] : 534}  

Posteriormente, Microsoft añadió el símbolo del euro a la página de código 936 y le asignó el código 0x80. Este no es un punto de código válido en GBK  1.0.

En 2000, se publicó el estándar GB 18030-2000  , que sustituyó a GBK 1.0 pero mantuvo la compatibilidad con este. Aumentó el número de definiciones de caracteres chinos y amplió el número de caracteres posibles mediante la implementación de espacios de caracteres de cuatro bytes. El subconjunto de GB  18030 que consta de caracteres de uno y dos bytes también se conoce a veces como GBK . Sin embargo, la asignación a Unicode ha cambiado ligeramente, ya que algunos caracteres ahora están definidos en Unicode. En la versión más reciente del estándar, GB  18030-2005, solo 24 ^{[ 8 ]} caracteres siguen asignados a Unicode PUA (véase GB 18030#PUA ).

En 2002, GBK se registró como un conjunto de caracteres IANA; el registro utiliza la asignación de la página de códigos 936, así como los alias CP936/MS936, pero hace referencia a  la especificación GBK 1.0. ^{[ 1 ]}La recomendación técnica del W3C publicada en 2015 ^{[ 9 ]} define un codificador GBK como un codificador GB 18030 con un signo de euro de un solo byte y sin secuencias de cuatro bytes (mientras que la especificación del decodificador GBK del W3C no tiene tal limitación, decodifica como GB 18030 , es decir, con el mismo rango de letras que todo Unicode ). 

Un carácter se codifica como 1 o 2 bytes. Un byte en este rango 00es 7Fun solo byte que significa lo mismo que en ASCII . Estrictamente hablando, este rango contiene 95 caracteres y 33 códigos de control.

Un byte con el bit más significativo activado indica que es el primero de 2 bytes. En términos generales, el primer byte está en el rango 81– FE(es decir, nunca 80o FF), y el segundo byte es 40– A0excepto 7Fen algunas áreas y A1– FEen otras.

Más concretamente, se definen los siguientes rangos de bytes:

Las áreas indicadas en la sección anterior como GBK/1 y GBK/2, tomadas por separado, son simplemente GB 2312-80 en su codificación habitual, siendo GBK/1 la región sin caracteres chinos y GBK/2 la región con caracteres chinos. GB 2312, o más propiamente su codificación EUC-CN, toma un par de bytes del rango A1– FE, como cualquier conjunto de caracteres ISO-2022 de 94² cargado en GR. Esto corresponde al cuadrante inferior derecho de la ilustración anterior. Sin embargo, GB 2312 no asigna ningún punto de código a las filas ubicadas en AA– B0y F8– FE, a pesar de haber delimitado el territorio. GBK agregó extensiones a estas filas. Puede ver que los dos huecos se rellenaron con áreas definidas por el usuario.

Más importante aún, GBK amplió el rango de bytes. Tener caracteres de dos bytes en el rango GR de ISO-2022 da un límite de 94² = 8836 posibilidades. Si se abandona el modelo ISO-2022 de regiones estrictas para caracteres gráficos y de control, pero se mantiene la característica de que los bytes bajos sean caracteres de 1 byte y los pares de bytes altos denoten un carácter, se podrían tener potencialmente 128² = 16 384 posiciones. GBK toma parte de eso, extendiendo el rango de A1( FE94 opciones para cada byte) a 81( FE126 opciones) para el primer byte y 40( FE191 opciones) para el segundo byte, para un total de 24 066 posiciones.

La página de códigos 936 de Microsoft se suele considerar como GBK. ^{[ 1 ]} Sin embargo, los 95 caracteres PUA añadidos en GBK 1.0 no están incluidos en la página de códigos 936. La página de códigos 936 también tiene un símbolo de euro de un solo byte en la dirección 0x80, que GBK 1.0 no tiene. ^{[ 10 ]}

El sucesor de GBK, GB 18030-2000 , utiliza el rango restante disponible para el segundo byte ( 30–39 ) para ampliar aún más el número de posibilidades manteniendo a GBK como un subconjunto.

• Un escaneo de la especificación GBK 1.0 proporcionada por el Grupo de Investigación Ideográfica
• Mapeo GBK autorizado de la UCI - parte de los datos GB18030 Archivado el 31/10/2016 en Wayback Machine
• Página de referencia de Microsoft para GBK
• Mapeo de GBK a Unicode. Nota: esta es la página de códigos 936 de Microsoft, que contiene entradas para 21791 puntos de código de doble byte, 96 caracteres gráficos de un byte y 33 caracteres de control. Esto no es exactamente lo mismo que GBK, que tiene 21886 caracteres.
• Tabla de códigos GBK NB Esta página codificada en GBK muestra el espacio de codificación disponible totalmente ocupado, excepto en 2 lugares, para un total de 32256 glifos (32352 sin los códigos ASCII de un solo byte implícitos no ilustrados), lo que es mayor que 23940 o 21886. La representación real de esta tabla depende del decodificador GBK de su navegador.