編碼定義
編碼是根據壹定的協議或格式把模擬信息轉換成比特流的過程。
在計算機硬件中,編碼(coding)是在壹個主題或單元上為數據存儲,管理和分析的目的而轉換信息為編碼值(典型地如數字)的過程。在軟件中,編碼意味著邏輯地使用壹個特定的語言如C或C++來執行壹個程序。在密碼學中,編碼是指在編碼或密碼中寫的行為。
將數據轉換為代碼或編碼字符,並能譯為原數據形式。是計算機書寫指令的過程,程序設計中的壹部分。在地圖自動制圖中,按壹定規則用數字與字母表示地圖內容的過程,通過編碼,使計算機能識別地圖的各地理要素。
n位二進制數可以組合成2n個不同的信息,給每個信息規定壹個具體碼組,這種過程也叫編碼。
數字系統中常用的編碼有兩類,壹類是二進制編碼,另壹類是二—十進制編碼。
漢字的編碼體系
1.ASCII與Binary
我們日常接觸到的文件分ASCII和Binary兩種。ASCII是“美國信息交換標準編碼”的英文字頭縮寫,可稱之為“美標”。美標規定了用從0到127的128個數字來代表信息的規範編碼,其中包括33個控制碼,壹個空格碼,和94個形象碼。形象碼中包括了英文大小寫字母,阿拉伯數字,標點符號等。我們平時閱讀的英文電腦文本,就是以形象碼的方式傳遞和存儲的。美標是國際上大部分大小電腦的通用編碼。
然而電腦中的壹個字符大都是用壹個八位數的二進制數字表示。這樣每壹字符便可能有256個不同的數值。由於美標只規定了128個編碼,剩下的另外128個數碼沒有規範,各家用法不壹。另外美標中的33個控制碼,各廠家用法也不盡壹致。這樣我們在不同電腦間交換文件的時候,就有必要區分兩類不同的文件。第壹類文件中每壹個字都是美標形象碼或空格碼。這類文件稱為“美標文本文件”(ASCII Text Files),或略為“文本文件”,通常可在不同電腦系統間直接交換。第二類文件,也就是含有控制碼或非美標碼的文件,通常不能在不同電腦系統間直接交換。這類文件有壹個通稱,叫“二進制文件”(Binary Files)。
2.國標、區位、“準國標”
“國標”是“中華人民***和國國家標準信息交換用漢字編碼”的簡稱。國標表(基本表)把七千余漢字、以及標點符號、外文字母等,排成壹個94行、94列的方陣。方陣中每壹橫行叫壹個“區”,每個區有九十四個“位”。壹個漢字在方陣中的坐標,稱為該字的“區位碼”。例如“中”字在方陣中處於第54區第48位,它的區位碼就是5448。
其實94這個數字。它是美標中形象碼的總數。國標表沿用這個數字,本意大概是要用兩個美標形象符代表壹個漢字。由於美標形象符的編碼是從33到126,漢字區、位碼如果各加上32,就會與美標形象碼的範圍重合。如上例“中”字區、位碼加上32後,得86,80。這兩個數字的十六進制放在壹起得5650,稱為該字的“國標碼”,而與其相對應的兩個美標符號,VP,也就是“中”字的“國標符”了。
這樣就產生了壹個如何區分國標符與美標符的問題。在壹個中英文混用的文件裏,“VP”到底代表“中”字呢,還是代表某個英文字頭縮寫?電子工業部第六研究所開發CCDOS的時候,使用了壹個簡便的解決方案:把國標碼的兩個數字各加上128,上升到非美標碼的位置。(改變後的國標碼,習慣上仍叫“國標”。)
這個方案固然解決了原來的問題,可是新的問題隨之產生。中文文件成了“二進制文件”,既不能可靠地在不同電腦系統間交換,也不與市場上大部分以美標符號為設計對象的軟件兼容。
為了區分以上兩種“國標”,我們把原與美標形象碼重合的國標碼稱為“純國標” ,而把CCDOS加上128的國標碼稱為“準國標”。
3.GBK碼:
GBK碼是GB碼的擴展字符編碼,對多達2萬多的簡繁漢字進行了編碼,簡體版的Win95和Win98都是使用GBK作系統內碼。
從實際運用來看,微軟自win95簡體中文版開始,系統就采用GBK代碼,它包括了TrueType宋體、黑體兩種GBK字庫(北京中易電子公司提供),可以用於顯示和打印,並提供了四種GBK漢字的輸入法。此外,瀏覽器IE4.0簡體、繁體中文版內部提供了壹個GBK-BIG5代碼雙向轉換功能。此外,微軟公司為IE提供的語言包中,簡體中文支持(Simplified Chinese Language Support Kit)的兩種字庫宋體、黑體,也是GBK漢字(珠海四通電腦排版系統開發公司提供)。其他壹些中文字庫生產廠商,也開始提供TrueType或PostScript GBK字庫。
許多外掛式的中文平臺,如南極星、四通利方(Richwin)等,提供GBK碼的支持,包括字庫、輸入法和GBK與其他中文代碼的轉化器。
互聯網方面,許多網站網頁使用GBK代碼。
但是多數搜索引擎都不能很好的支持GBK漢字搜索,大陸地區的搜索引擎有些能不完善的支持GBK漢字檢索。
其實,GBK是又壹個漢字編碼標準,全稱《漢字內碼擴展規範》(Chinese Internatial Code Specification),1995年頒布。GB是國標,K是漢字“擴展”的漢語拼音第壹個字母。
GBK向下與GB-2312編碼兼容,向上支持ISO 10646.1國際標準,是前者向後者過渡的壹個承啟標準。
GBK規範收錄了ISO 10646.1中的全部CJK漢字和符號,並有所補充。具體包括:GB 2312中的全部漢字、非漢字符號;GB 13000.1中的其他CJK漢字。以上合計20902個GB化漢字;《簡化總表中》未收入GB 13000.1的52個漢字;《康熙字典》以及《辭海》中未被收入GB 13000.1的28個部首及重要構件;13個漢字結構符;BIG-5中未被GB 2312收入、但存在於GB 13000.1的139個圖形符號;GB 12345增補的6個拼音符號;GB 12345增補的19個豎排圖形符號(GB 12345較GB 2312增補豎排標點符號29個,其中10個未被GB 13000.1收入,故GBK亦不收);從GB 13000.1的CJK兼容區挑選出的21個漢字;GB 13000.1收入的31個IBM OS/2專用符號。GBK亦采用雙字節表示,總體編碼範圍為0x8140~0xFEFE之間,首字節在0x81~0xFE之間,尾字節在0x40~0xFE之間,剔除0x××7F壹條線,總計23940個碼位,***收入21886個漢字和圖形符號,其中漢字(包括部首和構件)21003個,圖形符號883個。
4.BIG5碼:
BIG5碼是針對繁體漢字的漢字編碼,目前在臺灣、香港的電腦系統中得到普遍應用。BIG5碼的編碼範圍參考下文。
5.HZ碼:
HZ碼是在Internet上廣泛使用的壹種漢字編碼。“HZ”方案的特點,是以“純國標”的中文與美標碼混用。那麽“HZ”是怎樣區分國標符和美標符的呢?答案其實也很簡單:當壹串美標碼中間插入壹段國標碼的時候,我們便在國標碼的前面加上~,後面加上~。這些附加碼分別叫“逃出碼”和“逃入碼”。 由於這些附加碼本身也是美標形象碼,整個文件就儼然是壹個美標文本文件,可以安然地 在電腦網上傳遞,也和大部分英文文本處理軟件兼容。
6.ISO-2022CJK碼:
ISO-2022是國際標準組織(ISO)為各種語言字符制定的編碼標準。采用二個字節編碼,其中漢語編碼稱ISO-2022 CN,日語、韓語的編碼分別稱JP、KR。壹般將三者合稱CJK碼。目前CJK碼主要在Internet網絡中使用。
7.UCS 和 ISO 10646:
1993年,國際標準ISO10646 定義了通用字符集 (Universal Character Set, UCS)。 UCS 是所有其他字符集標準的壹個超集。它保證與其他字符集是雙向兼容的。就是說, 如果妳將任何文本字符串翻譯到 UCS格式,然後再翻譯回原編碼, 妳不會丟失任何信息。
UCS 包含了用於表達所有已知語言的字符。不僅包括拉丁語,希臘語,斯拉夫語,希伯來語,阿拉伯語,亞美尼亞語和喬治亞語的描述, 還包括中文,日文和韓文這樣的象形文字,以及平假名,片假名,孟加拉語, 旁遮普語果魯穆奇字符(Gurmukhi), 泰米爾語, 印.埃納德語(Kannada),Malayalam,泰國語, 老撾語, 漢語拼音(Bopomofo), Hangul,Devangari,Gujarati, Oriya,Telugu 以及其它語種。對於還沒有加入的語言, 由於正在研究怎樣在計算機中最好地編碼它們, 因而最終它們都將被加入。這些語言包括Tibetian,高棉語,Runic(古代北歐文字),埃塞俄比亞語, 其他象形文字,以及各種各樣的印-歐語系的語言,還包括挑選出來的藝術語言比如 Tengwar,Cirth 和 克林貢語(Klingon)。UCS 還包括大量的圖形的,印刷用的,數學用的和科學用的符號,包括所有由 TeX,Postscript, MS-DOS,MS-Windows, Macintosh, OCR 字體, 以及許多其他字處理和出版系統提供的字符。
ISO 10646 定義了壹個 31 位的字符集。 然而, 在這巨大的編碼空間中, 迄今為止只分配了前 65534 個碼位 (0x0000 到 0xFFFD)。這個UCS的16位子集稱為基本多語言面 (Basic Multilingual Plane, BMP)。 將被編碼在16位BMP以外的字符都屬於非常特殊的字符(比如象形文字), 且只有專家在歷史和科學領域裏才會用到它們。按當前的計劃, 將來也許再也不會有字符被分配到從0x000000到0x10FFFF這個覆蓋了超過100萬個潛在的未來字符的 21 位的編碼空間以外去了。ISO 10646-1標準第壹次發表於1993年, 定義了字符集與 BMP 中內容的架構。定義 BMP以外的字符編碼的第二部分 ISO 10646-2 正在準備中, 但也許要過好幾年才能完成。新的字符仍源源不斷地加入到 BMP 中, 但已經存在的字符是穩定的且不會再改變了。
UCS 不僅給每個字符分配壹個代碼, 而且賦予了壹個正式的名字。表示壹個 UCS 或 Unicode 值的十六進制數, 通常在前面加上 “U+”, 就象U+0041 代表字符“拉丁大寫字母A”。UCS字符U+0000到U+007F 與 US-ASCII(ISO 646) 是壹致的, U+0000 到 U+00FF 與 ISO 8859-1(Latin-1) 也是壹致的。從 U+E000 到 U+F8FF,已經BMP 以外的大範圍的編碼是為私用保留的。
1993年,ISO10646中定義的USC-4 (Universal Character Set) ,使用了4 個字節的寬度以容納足夠多的相當可觀的空間,但是這個過於肥胖的字符標準在當時乃至現在都有其不現實的壹面,就是會過分侵占存儲空間並影響信息傳輸的效率。 與此同時,Unicode 組織於約 10 年前以 Universal, Unique和Uniform 為主旨也開始開發壹個16位字符標準, 為避免兩種16位編碼的競爭,1992年兩家組織開始協商,以期折衷尋找***同點,這就是今天的 UCS-2 (BMP,Basic Multilingual Plane,16bit) 和Unicode,但它們仍然是不同的方案。
8.Unicode碼:
關於Unicode我們需要追溯壹下它產生的源源。
當計算機普及到東亞時,遇到了使用表意字符而非字母語言的中、日、韓等國家。在這些國家使用的語言中常用字符多達幾千個,而原來字符采用的是單字節編碼,壹張代碼頁中最多容納的字符只有28=256個,對於使用表意字符的語言是在無能為力。既然壹個字節不夠,自然人們就采用兩個字節,所有出現了使用雙字節編碼的字符集(DBCS)。不過雙字節字符集中雖然表意字符使用了兩個字節編碼,但其中的ASCII碼和日文片假名等仍用單字節表示,如此壹來給程序員帶來了不小的麻煩,因為每當設計到DBCS字符串的處理時,總是要判斷當中的壹個字節到底表示的是壹個字符還是半個字符,如果是半個字符,那是前壹半還是後壹半?由此可見DBCS並不是壹種非常好的解決方案。
人們在不斷尋找這更好的字符編碼方案,最後的結果就是Unicode誕生了。Unicode其實就是寬字節字符集,它對每個字符都固定使用兩個字節即16位表示,於是當處理字符時,不必擔心只處理半個字符。
目前,Unicode在網絡、Windows系統和很多大型軟件中得到應用。
關於GB編碼的壹些常識
GB編碼標準中,比較常用的是GB2312和GBK兩種,GB2312是GBK的壹個子集,GB2312編碼範圍是 0xA1A1 - 0xFEFE ,如果純粹的 GB2312編碼,處理起來是什分簡單的,但處理GBK字符集時有些小的提示,先說說GBK編碼的標準吧:
GBK 采用雙字節表示,總體編碼範圍為 8140-FEFE,首字節在 81-FE 之間,尾字節在 40-FE 之間,剔除 xx7F 壹條線。總計 23940 個碼位,***收入 21886 個漢字和圖形符號,其中漢字(包括部首和構件)21003 個,圖形符號 883 個。
全部編碼分為三大部分:
1. 漢字區。包括:
a. GB 2312 漢字區。即 GBK/2: B0A1-F7FE。收錄 GB 2312 漢字 6763 個,按原順序排列。
b. GB 13000.1 擴充漢字區。包括:
(1) GBK/3: 8140-A0FE。收錄 GB 13000.1 中的 CJK 漢字 6080 個。
(2) GBK/4: AA40-FEA0。收錄 CJK 漢字和增補的漢字 8160 個。
CJK 漢字在前,按 UCS 代碼大小排列;增補的漢字(包括部首和構件)在後,按《康熙字典》的頁碼/字位排列。
2. 圖形符號區。包括:
a. GB 2312 非漢字符號區。即 GBK/1: A1A1-A9FE。其中除 GB 2312 的符號外,
還有 10 個小寫羅馬數字和 GB 12345 增補的符號。計符號 717 個。
b. GB 13000.1 擴充非漢字區。即 GBK/5: A840-A9A0。BIG-5 非漢字符號、結構符和“○”排列在此區。計符號 166 個。
3. 用戶自定義區:分為(1)(2)(3)三個小區。
(1) AAA1-AFFE,碼位 564 個。
(2) F8A1-FEFE,碼位 658 個。
(3) A140-A7A0,碼位 672 個。
第(3)區盡管對用戶開放,但限制使用,因為不排除未來在此區域增補新字符的可能性。
這裏有幾個小技巧:
壹、在php中,字符編碼是按所發送的編碼為準的,因些使用的就是用戶輸入的編碼,不會自動改變,但在asp中,默認的編碼是unicode,這樣我們很容易就能得到gbk->unicode的編碼對照表,這樣即使在毫無基礎庫的情況下也能很容易的實現gbk到utf-8的轉換了;
二、由於GBK是高位最低數值是0x40,即是64,因此,有時候組織壹些涉及中文的字串時,分割字符最好用64之前的ascii碼,這樣在任意情況下替換或分割都不會出現亂碼,比較常用的是 ","、";"、":"、" "、" "、" ",這些字符永遠都不會給gb編碼添亂。
字符集編碼轉換輕松實現
壹、利用iconv函數族進行編碼轉換
在LINUX上進行編碼轉換時,既可以利用iconv函數族編程實現,也可以利用iconv命令來實現,只不過後者是針對文件的,即將指定文件從壹種編碼轉換為另壹種編碼。
iconv函數族的頭文件是iconv.h,使用前需包含之。
#include <iconv.h>
iconv函數族有三個函數,原型如下:
(1) iconv_t iconv_open(const char *tocode, const char *fromcode);
此函數說明將要進行哪兩種編碼的轉換,tocode是目標編碼,fromcode是原編碼,該函數返回壹個轉換句柄,供以下兩個函數使用。
(2) size_t iconv(iconv_t cd,char **inbuf,size_t *inbytesleft,char **outbuf,size_t *outbytesleft);
此函數從inbuf中讀取字符,轉換後輸出到outbuf中,inbytesleft用以記錄還未轉換的字符數,outbytesleft用以記錄輸出緩沖的剩余空間。 (3) int iconv_close(iconv_t cd);
此函數用於關閉轉換句柄,釋放資源。
例子1: 用C語言實現的轉換示例程序
/* f.c :代碼轉換示例C程序 */
#include <iconv.h>
#define OUTLEN 255
main()
{
char *in_utf8 = "姝e?ㄥ?瑁?";
char *in_gb2312 = "正在安裝";
char out[OUTLEN];
//unicode碼轉為gb2312碼
rc = u2g(in_utf8,strlen(in_utf8),out,OUTLEN);
printf("unicode-->gb2312 out=%sn",out);
//gb2312碼轉為unicode碼
rc = g2u(in_gb2312,strlen(in_gb2312),out,OUTLEN);
printf("gb2312-->unicode out=%sn",out);
}
//代碼轉換:從壹種編碼轉為另壹種編碼
int code_convert(char *from_charset,char *to_charset,char *inbuf,int inlen,char *outbuf,int outlen)
{
iconv_t cd;
int rc;
char **pin = &inbuf;
char **pout = &outbuf;
cd = iconv_open(to_charset,from_charset);
if (cd==0) return -1;
memset(outbuf,0,outlen);
if (iconv(cd,pin,&inlen,pout,&outlen)==-1) return -1;
iconv_close(cd);
return 0;
}
//UNICODE碼轉為GB2312碼
int u2g(char *inbuf,int inlen,char *outbuf,int outlen)
{
return code_convert("utf-8","gb2312",inbuf,inlen,outbuf,outlen);
}
//GB2312碼轉為UNICODE碼
int g2u(char *inbuf,size_t inlen,char *outbuf,size_t outlen)
{
return code_convert("gb2312","utf-8",inbuf,inlen,outbuf,outlen);
}
例子2: 用C++語言實現的轉換示例程序
/* f.cpp : 代碼轉換示例C++程序 */
#include <iconv.h>
#include <iostream>
#define OUTLEN 255
using namespace std;
// 代碼轉換操作類
class CodeConverter {
private:
iconv_t cd;
public:
// 構造
CodeConverter(const char *from_charset,const char *to_charset) {
cd = iconv_open(to_charset,from_charset);
}
// 析構
~CodeConverter() {
iconv_close(cd);
}
// 轉換輸出
int convert(char *inbuf,int inlen,char *outbuf,int outlen) {
char **pin = &inbuf;
char **pout = &outbuf;
memset(outbuf,0,outlen);
return iconv(cd,pin,(size_t *)&inlen,pout,(size_t *)&outlen);
}
};
int main(int argc, char **argv)
{
char *in_utf8 = "姝e?ㄥ?瑁?";
char *in_gb2312 = "正在安裝";
char out[OUTLEN];
// utf-8-->gb2312
CodeConverter cc = CodeConverter("utf-8","gb2312");
cc.convert(in_utf8,strlen(in_utf8),out,OUTLEN);
cout << "utf-8-->gb2312 in=" << in_utf8 << ",out=" << out << endl;
// gb2312-->utf-8
CodeConverter cc2 = CodeConverter("gb2312","utf-8");
cc2.convert(in_gb2312,strlen(in_gb2312),out,OUTLEN);
cout << "gb2312-->utf-8 in=" << in_gb2312 << ",out=" << out << endl;
}
二、利用iconv命令進行編碼轉換
在LINUX上進行編碼轉換時,既可以利用iconv函數族編程實現,也可以利用iconv命令來實現,只不過後者是針對文件的,即將指定文件從壹種編碼轉換為另壹種編碼。
iconv命令用於轉換指定文件的編碼,默認輸出到標準輸出設備,亦可指定輸出文件。
用法: iconv [選項...] [文件...]
有如下選項可用:
輸入/輸出格式規範:
-f, --from-code=名稱 原始文本編碼
-t, --to-code=名稱 輸出編碼
信息:
-l, --list 列舉所有已知的字符集
輸出控制:
-c 從輸出中忽略無效的字符
-o, --output=FILE 輸出文件
-s, --silent 關閉警告
--verbose 打印進度信息
-?, --help 給出該系統求助列表
--usage 給出簡要的用法信息
-V, --version 打印程序版本號
例子:
iconv -f utf-8 -t gb2312 aaa.txt >bbb.txt
這個命令讀取aaa.txt文件,從utf-8編碼轉換為gb2312編碼,其輸出定向到bbb.txt文件。
小結: LINUX為我們提供了強大的編碼轉換工具,給我們帶來了方便。