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(二)内码与字体的关系
发信站: 紫 丁 香 (Sat Apr 29 18:21:45 2000), 转信

发信人: 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(二)
发信站: BBS 水木清华站 (Sat Apr 29 17:14:27 2000)

http://www.linuxforum.net/cgi-bin/perl/showpost.pl?Board=chinese
&Number=767&page=1&view=expanded&sb=5

Subject
                   汉字编码标准与识别(二)内码与字体的关系

Posted by
                   shuyong
Posted on
                   4/16/2000 9:19 PM


汉字编码标准与识别(二)

内码与字体的关系

虽然没有标准文本，但还是可以大致了解常用标准有那些字。TLC4.0的
字库带有GB2312，GB12345，BIG5，GBK标准的pcf字体。可以用xfd实用
程序查看。在http://www.debian.org/chinese下有一个16点阵的Unicode
的pcf字体。如果安装了FreeType，可以使用xmbdfed软件查看TTF字体。
如果用MS WORD，可能会更简单些。
在日常使用中，我们实际上熟悉的是字码(内码).在中文WIN9X下,我们输
入一个双八位字节,就得到一个汉字,就会认为这双八位字节就是对应这
样的字形.这是错误的.其实内码对于字库来说,只是查找字形的索引.如
果换另一个编码标准的字体，同一个字符串就会呈现不同的字形，也就
是乱码。我见过GB2312,BIG5和ISO10646/GB13000的TTF字库.对于操作系
统和应用程序来说,最喜欢的自然是ISO10646/GB13000的TTF字库了.因为
这时只需提供一套代码和一套字库,修改外部配置文件,就可以用在不同的
语种环境.这就是国际化和本地化.其中有个技巧就是ISO10646/GB13000的
TTF字库可以在使用时可以通过重映射变成其它标准的字库.这时需要的是
GBK->Unicode,Big5->Unicode这些转换表.一个系统要升级支持Unicode3.0,
也难也不难.简单的地方是只需修改转换表就行了(如\windows\nls*.*).
难的是要升级字库.开发字库是很困难的,可以到方正字库网站看看开发字
库的步骤.WIN9X使用的是北京中易公司的TTF字库,MS是不可能开发一套中
文字库的.我所见过的ISO10646/GB13000的TTF字库,最新的是99年版,Unicode2.1,
方正字库.要想见到Unicode3.0的所有字形,也只有等这些专业字库开发商
做出来才行.如果现在就想看,只有问张轴材了.因为每通过一次新标准,中
国方面就要提供所有汉字的48x48高精密字形.使用TTF字体始终是诱人的话
题。但现在了解不多，只能简单谈谈从TTF字体生成bdf/pcf字体的问题。
因为现在中文pcf字体很少，只有宋体，仿宋，黑体，楷体四种。要想有更
多的字体，有个取巧的方法就是使用freetype库。用ttftobdf程序生成bdf
字体，再用bdftopcf程序生成pcf字体。但这种方法生成的字体缩放后比较
难看，而且不宜控制。这可能是ttf->bdf的转换过程丢失了信息，高宽比
也和标准的不一样。机器生成的东西就是机械，是不能和手绘的字体相比
的。同时，因为TTF技术已成熟，所以也没有必要继续开发更多的pcf字体。
X window将接受和大量使用TTF字体。而pcf字体今后主要用在标准字型
（如宋体），小点阵，网上快速下载传输方面。只有实际在X Window下用
过Unicode和TTF的字体，才会体会到使用Unicode和TTF，既是一种能力，
也是一种负担。因为不论是什么格式的字体文件，最后在使用时都转化为
内存里固定点阵字体。如果是16x16点阵，一个汉字就用32字节。Unicode3.0
有27786个汉字,至少需要868kb的内存。如果要中文英文美观一致，还得装
载大量的中文字体，所需内存可想而知。如果再使用TTF，还需要另一块内
存来运算和存储。因此，就算X Window提供了字体cache和deferglyphs，
还是于事无补。而我们常用的汉字其实很少。根据统计，常用汉字的频率，
前165个汉字频率和>50%，前1000个汉字频率和>95%；按小学教学经验，识
字900个左右，基本可以读书，看报，写作文；按小学教学大纲，小学毕业
识字2500字；GB2312的一级字库的频率和已>99%。我想我自己识字大约为
4000~5000，对比Unicode的汉字，好象一个文盲:-)。因此是用GB2312，还
是用GB13000，真是一个两难决择，我们也要为我们的选择付出代价。
最后通过内码与字体的关系，讨论UTF8的作用。
UTF8是现有ASCII系统转向Unicode系统的一个过渡解决方案。UTF8是保证
ASCII兼容性，再向大字符集方向扩展。这是Unicode推荐的方案。但是因
为解决问题的角度不同，对现有的中文系统不是好的解决方案。
CJK字符编码标准目前都为一字/两字节。中文在UCS2中的编码范围是
U+4E00~U+9FFFF。按照UTF8的编码规则，为一字/三字节，增加1/3的空间。
同时和现有的CJK系统不兼容。CJK系统要使用UTF8，先转换为UCS2，再转换
为UTF8。后一步简直是多此一举。因为从字库的角度看，字的编码只是字形
在字库中的索引。UTF8是变长码，不能直接做索引，需要转换为UCS2才能使
用字库。
随着GUI的发展，字库逐渐转向TTF。TTF字库的编码标准，有GB2312/GB2312
的EUC标准；BIG5标准；ISO10646标准。没有见过UTF8的TTF，也不知道CJK
这些国家有哪些系统使用了UTF8编码。
目前Unicodde有一个特点就是内核代码(CoreCode)。用户表面上可以继续使
用原有的编码标准，系统内部使用UCS2进行运算和操作。系统使用用户可改
变的标志或模块，以识别用户需要的编码标准，然后进行转换。这样，系统
只需提供一套ISO10646的TTF，不修改内部代码，就可以为多个用户同时提供
中文，日文，韩文的支持。Windows95及后面的中文版就是采用这个方案。现
有的X window的TTF服务器，X-TT和xfsft也可以使用这个方案。
前者在TurboLinux中文版里得到了实现，后者我试验过，效果还不错。还有
一个有趣的现象，就是红旗Linux1.1版所带的那个12点阵的pcf字体
/usr/X11R6/lib/X11/fonts/misc/gb12st.pcf.gz。这已不是严格意义上的
GB2312编码的字库了。用xfd实用程序查看，好象是从Unicode编码的TTF字体
转换来的，有些GBK的字，可惜太少。如果他们能出些GBK编码标准的pcf字体
就好了。
CJK系统转向UCS2与ASCII系统转向UTF8，两者的代码修改量是相当的。只是前
者多了转换表，需要内存多些。不过ASCII系统使用UCS2，需要增加50%的空间。
目前计算机里大多数还是ASCII的信息，看来这也是一个问题。


--
一条驿路，一种氛围。
一朵梨花，一种思考。
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]