一、韩文字符集简介

　　韩文字是由初声、中声、终声三个部分组成的，例如 한 字的初声是 ㅎ，中声是 ㅏ，终声是 ㄴ。现代韩文有 19 种初声、21 种中声、28 种终声（见下表），理论上可以拼出 19 * 21 * 28 = 11,172 个字。不过，在这些字中，有许多结构复杂、面目狰狞的字（例如 쮎），实际中是用不到的。是收录所有可能的字，还是仅收录实际中能用到的字（下称「常用字」），就是韩文字符集面临的一个重要选择。

1.1 KS X 1001 字符集

　　KS X 1001 是 20 世纪常用的韩文字符集。它跟中国的 GB2312 字符集一样，分为 94 个区， 每个区有 94 个位，一共能编码 8,836 个字符。由于放不下全部 11,172 个可能的韩文字，该字符集只收录了 2,350 个常用字，放在了 16 ~ 40 区；此外，在 1 ~ 13 区放置了字母、数字、特殊符号等，42 ~ 93 区放置了汉字。完整的码表可以点这里下载：https://resources.oreilly.com/examples/9781565922242/raw/master/AppL/ksx1001.pdf。

　　在码位资源匮乏的年代，仅收录常用字无可厚非。不过，这种做法确实造成了诸多不便：

• 个别字在电脑或手机上输入的中间状态没有收录。比如收录了 쓩，却没有收录 쓔，这造成 쓩 字无法输入，或者虽然能输入，但中间状态 쓔 只能显示成 ㅆㅠ，让用户疑惑。
• 在特殊场合下会用到的字没有收录。一个例子是，韩语语流音变非常丰富，在针对初学者的教材中，常常会标出单词经过语流音变后的发音。比如，单词 있다（有，在）的实际发音为 읻따，这个 읻 字就没有收录。
• 由于常用字的分布没有规律，每个韩文字的组成部件与编码之间也就没有有规律的对应关系。若要分析字的结构或者单词的词形，则只能查表。

（相关问题：每一个Unicode里编码的谚文（韩文）字符都曾在历史上使用过吗？ - 韩语 - 知乎）

　　KS X 1001 字符集还有两个比较有意思的特点：

• 在汉字部分，多音字的每个读音是分别编码的，比如「樂」字一共出现了四次，读音分别为 낙、락、악、요（相关问题：为什么 Unicode 中会存在「凉」和「凉」这样两个极其相像的字符？）；
• KS X 1001 字符集中韩文所在的区域（16 区开始），也正是 GB2312 字符集中「一级汉字」所在的区域。如果误把一篇韩文文档用中文编码打开，就会造成如下图所示的乱码，仿佛在讲一个「爸爸和舅舅喝着酒打起来了」的故事。

1.2 Unicode

　　Unicode 的码位资源十分充裕，因此收录了全部 11,172 个韩文字，编码范围为 U+AC00 至 U+D7A3（带 U+ 前缀的编码都是 16 进制，下同）。这些韩文字的排列顺序如下：

• 先选择第一个初声 ㄱ 和第一个中声 ㅏ 组合成 가，放在 U+AC00；
• 然后依次遍历所有可能的终声，得到 각, 갂, 간, ..., 갛（共 27 字），放在 U+AC01 至 U+AC1B；
• 然后换下一个中声 ㅐ，同样得到 개, 객, 갞, 갠, ..., 갷 等字，放在 U+AC1C 至 U+AC37；
• 初声为 ㄱ 的字一共有 21 * 28 = 588 个，最后一个为 깋，放在 U+AE4B；
• 然后再排初声为 ㄲ 的字，例如 까 U+AE4C，깍 U+AE4D，等等。

　　这种有规律的排列方式，使得可以通过编程，方便地获取一个韩文字的部件，以及把部件组合成字。如果已知一个字的初声、中声、终声的编号分别为 x、y、z，那么这个字的编码就是 U+AC00 + (x * 21 + y) * 28 + z；如果已知一个字的 Unicode 编码 u，则可以按以下公式得到它的初声、中声、终声的编号：

• 用 u 减去 U+AC00，再除以 28，得到商 v 和余数 z，z 就是终声编号；
• 用 v 除以 21 得到商 x 和余数 y，y 就是中声编号，x 则是初声编号。

　　举个例子：없 这个字的初声 ㅇ 编号为 11，中声 ㅓ 编号为 4，终声 ㅄ 编号为 18。于是这个字的 Unicode 编码就是 U+AC00 + (18 * 21 + 4) * 28 + 18 = U+C5C6。同样地，由 U+C5C6 也可以反推出各个部件的编号：

• U+C5C6 - U+AC00 = 0x19C6 = 6598（0x 前缀表示 16 进制）；
• 6598 / 28 = 235 ... 18（18 为终声编号）；
• 235 / 21 = 11 ... 4（4 为中声编号，11 为初声编号）。

二、韩文字词分析两例

　　在这一节中，我将举两个例子，说明如何利用上面的公式，编程分析韩文的字词。为了输入和显示的方便，我将使用 JavaScript 语言。在 Chrome 浏览器中按 F12 键打开开发者工具窗口，选择 Console（控制台）标签页，就可以输入及执行程序了。

2.1 韩文与罗马字的相互转换

　　本例中采用的罗马字方案见文首的表。这并不是任何一种通行的罗马字方案。它的特点是转写辅音所用的字母与韩文字母基本一一对应，能够区分各种发音相同但拼写不同的终声，使得从罗马字转换成韩文时答案是唯一的。

　　编程时，首先要定义如下三个数组，表示每个初声、中声、终声对应的罗马字：

var initials = ['g', 'gg', 'n', 'd', 'dd', 'r', 'm', 'b', 'bb', 's', 'ss', '', 'j', 'jj', 'ch', 'k', 't', 'p', 'h'];
var medials = ['a', 'ae', 'ya', 'yae', 'eo', 'e', 'yeo', 'ye', 'o', 'wa', 'wae', 'oe', 'yo', 'u', 'wo', 'we', 'wi', 'yu', 'eu', 'eui', 'i'];
var finals = ['', 'g', 'gg', 'gs', 'n', 'nj', 'nh', 'd', 'l', 'lg', 'lm', 'lb', 'ls', 'lt', 'lp', 'lh', 'm', 'b', 'bs', 's', 'ss', 'ng', 'j', 'ch', 'k', 't', 'p', 'h'];

　　把韩文转换成罗马字的函数如下。为方便起见，可以输入一个韩文字符串，该函数会把其中的每一个韩文字转换成罗马字。

function han2rom(han) {
  var rom = [];
  for (var i = 0; i < han.length; i++) {  // 处理每一个字
    var u = han.charCodeAt(i) - 0xAC00;   // 取得 Unicode 编码，减去起始值
    var z = u % 28;                       // 终声编号
    var y = Math.floor(u / 28) % 21;      // 中声编号
    var x = Math.floor(u / (28 * 21));    // 初声编号
    rom.push(initials[x] + medials[y] + finals[z]);
                                          // 查询各部分的罗马字，并连接起来
  }
  return rom.join(' ');                   // 用空格连接各个字的罗马字，并返回
}

　　把罗马字转换成韩文的函数如下。同样地，可以输入多个韩文字的罗马字，以空格分隔，函数会把每个字的罗马字转换成韩文。

function rom2han(rom) {
  var s = rom.split(' ');                   // 按空格切分出每个字的罗马字
  for (var i = 0; i < s.length; i++) {      // 依次处理每个字
    var matches = s[i].match(/([^aeiouwy]*)([aeiouwy]+)([^aeiouwy]*)/);
        // 根据元音、辅音字母的区分，用正则表达式取出罗马字中的初声、中声、终声部分
    var x = initials.indexOf(matches[1]);   // 在数组中查询初声的编号
    var y = medials.indexOf(matches[2]);    // 中声编号
    var z = finals.indexOf(matches[3]);     // 终声编号
    s[i] = String.fromCharCode(0xAC00 + (x * 21 + y) * 28 + z);
                                            // 按公式计算整字的 Unicode 编码
  }
  return s.join('');
}

　　查询初声、中声、终声编号时使用了数组的 indexOf 方法，它需要遍历数组，效率并不高。若要追求效率，可以使用哈希表。

　　程序执行效果如下：

　　我编写的「汉字古今中外读音查询」安卓应用中，就有实现上述功能的代码，见 Orthography.java 中的 Korean 类（目前在第 581 行）。

2.2 将韩语动词或形容词变为「思密达」形

　　在此，我们想编写一个函数，输入一个动词或形容词的原型，输出它的「思密达」形。例如，输入「가다」，输出「갑니다」；输入「고맙다」，输出「고맙습니다」。

　　先复习一下「思密达」形的构成规则：

• 首先去掉词尾的 -다，得到词干；
• 如果词干以元音结尾，那么加 -ㅂ니다（ㅂ 会与词干的最后一个字合成一个字）；
• 如果词干以辅音结尾，那么加 -습니다；
• 但是，如果词干以辅音 ㄹ 结尾，则要去掉 ㄹ，再加 -ㅂ니다（相当于 ㅂ 代替了 ㄹ）。

为了知道应该应用哪条规则，需要用程序获取词干最后一个字的终声。

　　变「思密达」形的函数如下：

function seubnida(s) {
  var L = s.length;             // 单词总长度
  var u = s.charCodeAt(L - 2);  // 词干最后一个字的 Unicode 编码
  var z = (u - 0xAC00) % 28;    // 词干最后一个字的终声编号
  if (z == 0 || z == 8) {       // 如果没有终声（编号为 0）或终声是ㄹ（编号为 8）
    return s.substring(0, L - 2) + String.fromCharCode(u - z + 17) + '니다';
           // 取单词的前 L-2 个字   将词干末字的终声改成ㅂ（编号为 17）  再加니다
  }
  else {                        // 如果终声是其它辅音
    return s.substring(0, L - 1) + '습니다';
           // 取词干                再加습니다
  }
}

　　程序执行效果如下：