Linux 版 (精华区)
发信人: don (驿路梨花), 信区: Linux
标 题: 汉字编码标准与识别(一)代码页(Code Page)初识
发信站: 紫 丁 香 (Sat Apr 29 18:21:01 2000), 转信
--
一条驿路，一种氛围。
一朵梨花，一种朔⑿湃�: yanglc (魂归燕园~~别理我，烦着呢), 信区: Linux
标 题: 汉字编码标准与识别(一)
发信站: BBS 水木清华站 (Sat Apr 29 17:19:05 2000)
http://www.linuxforum.net/cgi-bin/perl/showpost.pl?Board=chinese&
Number=766&page=2&view=expanded&sb=5
Subject
汉字编码标准与识别(一)代码页(Code Page)初识
Posted by
shuyong
Posted on
4/16/2000 9:05 PM
汉字编码标准与识别(一)
代码页(Code Page)初识
本节是根据以下文章编写出来的，建议认真研读这些专家的高论。
参考1 <> 张 轴 材
<<计算机世界>>周报 97-1-17
参考2 <<张轴材 谈汉字交换码标准建立历程>> <<计算机世界>>周
报记者 黄伟敏 肖春江 99-8-30
参考3 <<中文平台把住“根”留住>> 吴健 <<中国计算机报>>
出版日期：1998-12-21 总期号：348 本年期号：51
参考4 <<为种种UNIX中文平台号脉>> 孙玉芳 <<中国计算机用户>>
出版日期：1998-07-06 总期号：323 本年期号：26
参考5 CJK.INF:ftp://ftp.ora.com/pub/examples/nutshell/ujip/
doc/cjk.inf
因为本人只是业余水平，不是专家，对于参考资料中许多术语还不
理解，更没有见过任何一种标准的正式文本，错误和模糊之处再所
难免。同时，因为国家有关部门对于宣传，推广和贯彻国家标准方
面力度不够，致使象我这样的初学者或初涉该领域的小企业因信息
资源不足而处于不利的竞争地位。
ASCII制订的时候，并没有考虑对多语种，特别是对象中国汉字这样
的象形文字的支持。为此后来又提出了不少解决方案，其中代码页
体系(ISO2022)是现在普遍实行的方案，而ISO10646/GB13000/Unicode
是今后发展的方向。
中国的汉字编码标准GB2312是7bits标准，具体说是双7位字节标准。
而ASCII是单7位字节标准,计算机怎么区分呢?一种是在第八位置"1",
提示计算机转入双字节编码,这是最常见的一种实现,也叫EUC
(Extended Unix Code)编码.另一种是用特殊标记提示计算机转入双
字节编码,如HZ编码就是用开始，用结束的块标识双字节编码区.它们
都是GB2312的一种实现.对象中国汉字这样的象形文字体系，代码页
是根据各个国家，地区或行业标准，按照EUC方式编码。代码页向下
兼容ASCII，是一种不等长编码。会带来代码的复杂性，同时还会引
起因代码页切换而带来的乱码问题。
Unicode是一种多字节等长编码。ISO10646/GB13000/Unicode现已在
UCS2上实现一致，也就是已实现双字节编码标准。下面所讨论的
ISO10646/GB13000/Unicode，就只是指UCS2这种情况。Unicode对
ASCII采取前面加"0"字节的策略实现等长兼容。如"A"的ASCII码为0x41,
Unicode码就为0x00,0x41。
这里主要从国家标准(GB)系列入手了解Unicode。如果不是看了参考5
(英文)，我还不知道国家关于汉字编码的标准如此之多。中国人居然
要从英文资料里了解汉字编码标准，实在是很无奈的事情。
常用中文编码标准 资料来源:CJK.INF
GB2312-1980(GB0)(简体) GB7589-1987(GB2)(简体)
GB7590-1987(GB4)(简体) GB13000-1993
GB6345.1-1986(GB0修正)
GB8565.2-1988(GB8,GB0扩充)
GB/T12345-90(GB1)(繁体) GB/T13131-9X(GB3)(繁体)
GB/T13132-9X(GB5)(繁体)
其中横向表示字符集系列。纵向表示各个系列的发展标准。其中
GB2312是基本集，也就是目前最常用的标准。GB7589/GB7590是扩展
集，使用时可能不能和GB2312共存，需要切换使用。GB7589/GB7590
是按部件(部首)和笔顺(笔画)排列，但具体有什么字，怎么排列，
用在什么领域，不清楚。GB2312系列经过两次修正和扩充，已和原
始的GB2312-1980标准有些不同(参考5)。因为没有标准文本，不知
道正在使用的字体是属于哪个标准。根据最新的Unicode3.0，国家
标准最新的是GB16500-95 ，更不知是哪个系列的了。ISO/IEC 10646
等同于GB13000-1993/JIS0221-1995/KSC5000-1995这些国家标准。
制订的目标是包容各语种的文字，其中以汉字最多(Unicode2.0有
20902个汉字)。关于标准的特点可以看参考1，制订过程中的风风
雨雨，可以看参考2。总之，这是一个我们国家参与并占主导地位
的国际标准。
GBK是GB2312向GB13000过渡的一个中间产物。它是GB2312的一次大
的扩展，编码向下兼容GB2312的EUC编码，字汇(字符集)和GB13000
相同，是GB2312的3倍。所以说GBK也包含BIG5，Shift-JIS，KSC的
字汇。注意只是包含字汇，而编码与原始的标准是不同的。在具体
应用中，用GBK字体就可以同时显示GB2312，BIG5，Shift-JIS，KSC
的字符串。但除了GB2312字符串，其它都要转换(convert)。
因为语焉不详，不清楚制订GBK时是谁占主导地位。因为有些英文资
料说是Microsoft制订了GBK，而国家方面也没有进行说明。目前从
这些参考资料只知道，94年ISO/IEC 10646发布后，Microsoft开发
Windows95中文版，要制订中文扩展编码。96年《汉字扩展内码规范》
GBK发布(参考1~3)。按标准发布比制定晚一年推算，这是95年的事。
Windows95及后续版本中文版支持GBK。
GB2312的EUC编码范围是第一字节0xA1~0xFE(实际只用到0xF7)，第
二字节0xA1~0xFE。GBK对此进行扩展。第一字节为0x81~0xFE，第二
字节分两部分，一是0x40~0x7E，二是0x80~0xFE。其中和GB2312相
同的区域，字完全相同。扩展部分大概是按部件(部首)和笔顺(笔画)
从GB13000中取出再排列入GBK中。因此GBK并不是GB13000，虽然两者
字汇相同，但编码体系不同。一个是ISO2022系列不等长编码，一个
是等长编码，并且编码区域也不同。注意到GBK实际上不是国家标准。
在此之前有一个GB2312基本集，在它之上是一个技术更先进的GB13000。
GBK只是一种过渡和扩展规范。所以在Unicode里有GB2312->Unicode,
GB12345->Unicode的转换表格，而没有GBK->Unicode转换表格。只有
Microsoft制作的Code Page 936(CP936.TXT)可以算作GBK->Unicode
转换表格。但要注意这是一个商业公司制作的文件，而不是国家或
国际标准组织制作的，有可能与标准有不一致的地方。最近在方正字
体网站发现一些有用的标准文件,有兴趣可以下载看看.但要注意
Gbk-big5.tab和Gb-big5.tab这两个文件有点瑕疵.
http://www.founderpku.com/fontweb/download/Gbk-big5.tab
http://www.founderpku.com/fontweb/download/Gb-big5.tab
http://www.founderpku.com/fontweb/gb2312.htm
http://www.founderpku.com/fontweb/gbk.htm
在使用这些转换表制作其它标准的相互转换表，会和传统的转换表
有所不同。如用GBK<=>Unicode<=>BIG5制作GBK<=>BIG5转换表，就
会和传统的GB<=>BIG5转换表有所不同。主要是汉字有简体和繁体。
前者是GBK(中的繁体字)<=>BIG5(繁体字)，后者是GB(简体)<=>BIG5(繁体)。
还有就是对一些制表符选用不同。对汉字繁简转换有兴趣的读者，可以看
http://www.basistech.com/articles/c2c.html
http://www.cjk.org
伎肌�
希望能在Linux这条驿路上与你同行！
※ 来源:．紫 丁 香 bbs.hit.edu.cn．[FROM: 202.118.239.63]
Powered by KBS BBS 2.0 (http://dev.kcn.cn)
页面执行时间：5.129毫秒