汉字编码标准与识别(一)

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 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 ls*.*). 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。