汉字编码现状及其根源教学课件-张宇.ppt

汉字编码 汉字编码 汉字编码现状及其根源 多种编码方案共存，不利于交流和共享 新旧标准同台使用，需相互转换 统一标准正在形成 中、日、韩、新等多国同时使用汉字 简繁体汉字并存 地区、国家间的文化、政治差异增加了汉字统一编码的难度 主要汉字(文字)编码标准与规范 ASCII(英文) GB2312 GBK GB13000 GB18030 BIG5 Shift_JIS ISO/IEC 10646 Unicode 汉字的几种通行名称 Hanzi,Hantsu,汉字 Ideographic character,表意字符，中文字符 Kanji-日文中的叫法 Hanja-朝鲜文中的叫法 CJK-中日韩通用字符集 Unihan ASCII码 美国信息交换标准编码(“美标”) 用从0到127的128个数字来代表信息的规范编码 包括33个控制码，一个空格码，和94个形象码 形象码中包括了英文大小写字母，阿拉伯数字，标点符号等 国际上大部分电脑的通用编码 文本文件与二进制文件 字符大都是用一个八位二进制数字表示，美标只规定了128个编码，剩下的另外128个数码没有规范，美标中的33个控制码，各厂家用法也不尽一致 文本文件(ASCII Text Files) ：美标形象码或空格码组成，通常可在不同电脑系统间直接交换 二进制文件(Binary Files) ：含有控制码或非美标码的文件，通常不能在不同电脑系统间直接交换 国标、区位、“准国标” 、机内码 国标：中华人民共和国国家标准信息交换用汉字编码 国标(GB2312-80)表（基本表）把七千余汉字、以及标点符号、外文字母等，排成一个94行、94列的方阵 每一横行叫一个“区”，每个区有九十四个“位” 一个汉字在方阵中的坐标，称为该字的“区位码” 例如“中”字在方阵中处于第５４区第４８位，它的区位码就是5448 区位码表 区位码来源于信息交换用汉字编码字符集（基本集）国家标准(GB2312-80)，该标准收汉字6763个，第一级3755个，位于16至55区，55区的最后5个字符没有定义；第二级3008个，位于56至87区 第一级汉字按照汉语拼音字母顺序排列，同音字以笔形顺序横（一）、直（丨）、撇（丿）、点（丶）、折（乙）为序。起笔相同按第二笔，依次类推。 第二级汉字按部首排序，本标准采用的部首与一般字典用的部首基本相同，略有改变。部首次序及同部首字按笔划数排列，同笔划数的字以笔形顺序横（一）、直（丨）、撇（丿）、点（丶）、折（乙）为序。起笔相同按第二笔，依次类推。 查表时先查区号，再查行、列，例如：“、”是0102，“蔼”是1610。 例 例 例 例 例 例 国标、区位、“准国标”、机内码 94:美标中形象码的总数,33--126 汉字区、位码各加上32，就会与美标形象码的范围重合,称为该字的“国标码”,与其相对应的两个美标符号，为该字的“国标符” 如何区分国标符与美标符：国标码的两个数字各加上128，称“准国标”或“机内码” 机内码=（区位码）H + 8080H +2020H BIG5码 针对繁体汉字的编码，在台湾、香港的电脑系统中得到普遍应用 ISO/IEC 10646 一个国际标准编号,国际标准化组织（ISO）1993年正式颁布 英文全称：Information technology - Universal Multiple - Octet Coded Character Set,简称UCS 中文全称：信息技术--通用多八位编码字符集，亦称大字符集 宗旨:全球所有文种统一编码 Unicode 英文Universal Code的缩略语 统一编码 是对国际标准ISO/IEC 10646编码的一种称谓 是一个企业联盟集团的名称,由美国的HP、Microsoft、IBM、Apple等几家知名的大型计算机企业所组成,成立该集团的宗旨就是要推进多文种的统一编码 就内容而言，Unicode和ISO/IEC 10646是一致的，并行的 CJK-中日韩统一汉字 把中国、日本与韩国的英文称谓的首字母用于ISO/IEC 10646中的中、日、韩统一编码汉字的简称 Unihan CJKV或许更准确，V代表越南 ISO/IEC 10646 的体系结构 四维的编码空间 总体上分为128个三维组（group）, group的值范围是从00到7F 每一组包含256个平面(plane)，每一个平面包含256行(row)，每一行包含256个字位(cell)，又称为“列”,plane、row、cell的值范围都是从00到FF全编码 整个编码字符集的每个字符都是由4个八位序列表示,(按照组八位、面八位、行八位、列八位的顺序) 可编码空间为：128X256X256X256=32KX64K ISO/IEC 10646