汉字在计算机中的表示逻辑原理以及五种汉语字符集介绍

[字研] 作者:字研君 浏览次数: 20/01/04 10:37

写在前面:这次来点专业的,需要注意的是,汉语和汉字并不是仅有中国使用,而是包括中国、日本、韩国、新加坡、越南等广大的亚洲国家使用



一、一个汉字在计算机中占两个字节的位置

 西文字符中的ASCII码表示西文字符是,用的是7位的ASCII码,为了在计算机中存储,最高位(第八位)默认为0,所以可以表示27个不同的字符;扩展的ASCII码,使用的第八位,不在默认为0,所以最多可以表示28个字符。

中文跟西文不大一样。中文的一个汉字占16位,也就是两个字节的位置。编码方式跟ASCII码类似,但是为了与ASCII码区别开来,最高位默认为1.


二、汉字编码的过程

汉字编码分为外码、机内码、字形码、矢量汉字四个阶段。外码是输入码,就像搜狗那样的输入法。机内码有国标码、BIG5等,这个过程是不会在电脑屏幕上显示的。字形码以点阵形式表示一个汉字。矢量汉字是用一种软件在屏幕上显示汉字字形,可以随意的放大缩小。国标码是 用于计算机之间或与终端之间信息交换时的汉字代码(GB2312,GBK,GB18030), 由连续的两个字节组成,每个字节七位有效,最高位为1。字形码是确定一个汉字字形点阵的代码, 汉字字形点阵中的每个点对应一个二进制位。矢量汉字是用软件描述汉字 ,矢量字库保存对每一个汉字的描述信息,比如一个笔划的起始、终止坐标,半径、弧度等等。在输出时要经过一定的数学运算。矢量汉字可随意放大、缩小而不变形。Windows使用的字库为以上两类。在FONTS目录下,扩展名为FON的文件为点阵字库;扩展名为TTF为矢量字库。


640.jpg


三、汉字信息处理过程

640~1.jpg

很久很久以前,有一群人,他们决定用8个可以开合的晶体管来组合成不同的状态,以表示世界上的万物。他们看到8个开关状态是好的,于是他们把这称为"字节"。 

再后来,他们又做了一些可以处理这些字节的机器,机器开动了,可以用字节来组合出很多状态,状态开始变来变去。他们看到这样是好的,于是它们就这机器称为"计算机"。 


开始计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。 

他们把其中的编号从0开始的32种状态分别规定了特殊的用途,一但终端、打印机遇上约定好的这些字节被传过来时,就要做一些约定的动作。遇上00x10, 终端就换行,遇上0x07, 终端就向人们嘟嘟叫,例好遇上0x1b, 打印机就打印反白的字,或者终端就用彩色显示字母。他们看到这样很好,于是就把这些0x20以下的字节状态称为"控制码"。 

他们又把所有的空格、标点符号、数字、大小写字母分别用连续的字节状态表示,一直编到了第127号,这样计算机就可以用不同字节来存储英语的文字了。大家看到这样,都感觉很好,于是大家都把这个方案叫做 ANSI 的"Ascii"编码(American Standard Code for Information Interchange,美国信息互换标准代码)。当时世界上所有的计算机都用同样的ASCII方案来保存英文文字。 

后来,就像建造巴比伦塔一样,世界各地的都开始使用计算机,但是很多国家用的不是英文,他们的字母里有许多是ASCII里没有的,为了可以在计算机保存他们的文字,他们决定采用127号之后的空位来表示这些新的字母、符号,还加入了很多画表格时需要用下到的横线、竖线、交叉等形状,一直把序号编到了最后一个状态255。从128到255这一页的字符集被称"扩展字符集"。从此之后,贪婪的人类再没有新的状态可以用了,美帝国主义可能没有想到还有第三世界国家的人们也希望可以用到计算机吧! 

等中国人们得到计算机时,已经没有可以利用的字节状态来表示汉字,况且有6000多个常用汉字需要保存呢。但是这难不倒智慧的中国人民,我们不客气地把那些127号之后的奇异符号们直接取消掉, 规定:一个小于127的字符的意义与原来相同,但两个大于127的字符连在一起时,就表示一个汉字,前面的一个字节(他称之为高字节)从0xA1用到0xF7,后面一个字节(低字节)从0xA1到0xFE,这样我们就可以组合出大约7000多个简体汉字了。在这些编码里,我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了,连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码,这就是常说的"全角"字符,而原来在127号以下的那些就叫"半角"字符了。 

中国人民看到这样很不错,于是就把这种汉字方案叫做 "GB2312"。GB2312 是对 ASCII 的中文扩展。 

但是中国的汉字太多了,我们很快就就发现有许多人的人名没有办法在这里打出来,特别是某些很会麻烦别人的国家领导人。于是我们不得不继续把 GB2312 没有用到的码位找出来老实不客气地用上。 

后来还是不够用,于是干脆不再要求低字节一定是127号之后的内码,只要第一个字节是大于127就固定表示这是一个汉字的开始,不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 GBK 标准,GBK 包括了 GB2312 的所有内容,同时又增加了近20000个新的汉字(包括繁体字)和符号。 

后来少数民族也要用电脑了,于是我们再扩展,又加了几千个新的少数民族的字,GBK 扩成了 GB18030。从此之后,中华民族的文化就可以在计算机时代中传承了。 

中国的程序员们看到这一系列汉字编码的标准是好的,于是通称他们叫做 "DBCS"(Double Byte Charecter Set 双字节字符集)。在DBCS系列标准里,最大的特点是两字节长的汉字字符和一字节长的英文字符并存于同一套编码方案里,因此他们写的程序为了支持中文处理,必须要注意字串里的每一个字节的值,如果这个值是大于127的,那么就认为一个双字节字符集里的字符出现了。那时候凡是受过加持,会编程的计算机僧侣们都要每天念下面这个咒语数百遍: 

"一个汉字算两个英文字符!一个汉字算两个英文字符……" 


因为当时各个国家都像中国这样搞出一套自己的编码标准,结果互相之间谁也不懂谁的编码,谁也不支持别人的编码,连大陆和台湾这样只相隔了150海里,使用着同一种语言的兄弟地区,也分别采用了不同的 DBCS 编码方案——当时的中国人想让电脑显示汉字,就必须装上一个"汉字系统",专门用来处理汉字的显示、输入的问题,但是那个台湾的愚昧封建人士写的算命程序就必须加装另一套支持 BIG5 编码的什么"倚天汉字系统"才可以用,装错了字符系统,显示就会乱了套!这怎么办?而且世界民族之林中还有那些一时用不上电脑的穷苦人民,他们的文字又怎么办? 

真是计算机的巴比伦塔命题啊! 

正在这时,大天使加百列及时出现了——一个叫 ISO (国际标谁化组织)的国际组织决定着手解决这个问题。他们采用的方法很简单:废了所有的地区性编码方案,重新搞一个包括了地球上所有文化、所有字母和符号的编码!他们打算叫它"Universal Multiple-Octet Coded Character Set",简称 UCS, 俗称 "UNICODE"。 

在此推荐一个网站,这里收集了所有UNI码,来自逐浪字库团队的奉献http://www.ziti163.com/uni



四、汉字编码字符集、字体

1. GB-2312字符集:收入汉字6763个,符号715个,总计7478个字符,这是大陆普遍使用的简体字符集(包括了没有简体与繁体之分的传统传承汉字,如金木水火土人民在大小等等,有4000多个。由传统传承汉字简化而来的简体汉字约2235个)。楷体-gb2312、仿宋-gb2312、华文行楷等市面上绝大多数字体支持显示这个字符集。需要注意的是,市面上有一些所谓的繁体字体,采用GB-2312字符集简体字的编码,用字体显示为繁体字,而不是直接用GBK字符集中繁体字的编码,有其错误,也有其应用场景。

 

2. BIG-5字符集:收入13060个汉字(传统传承汉字,包括相对于简化汉字而言的繁体字),808个符号,总计13868个字符,目前普遍使用于中国台湾、中国香港等地区。中国台湾教育部门标准宋体楷体等港台字体都支持这个字符集的显示。

 

3. GBK字符集:,又称大字符集(GB=GuóBiāo国标,K=扩展),包含以上两种字符集汉字,收入21003个汉字,882个符号,共计21885个字符,包括了中日韩(CJK)统一汉字20925个、扩展A集(CJKExt-A)中的汉字52个。Windows95\98简体中文版就带有这个GBK.txt文件。宋体、隶书、黑体、幼圆、华文中宋、华文细黑、华文楷体、标楷体(DFKai-SB)、Arial Unicode MS、MingLiU、PMingLiU等字体支持显示这个字符集。微软拼音输入法2003、全拼、紫光拼音、极点中文、龙凤五笔等输入法,能够录入如镕炁夬喆嚞姤赟龑昳堃慜等GBK简繁体汉字。

 

4. GB18030字符集:包含GBK字符集、CJKExt-A全部6582个汉字,共计27533个汉字。宋体-18030、方正楷体(FZKai-Z03)、书同文楷体(MSSong)、宋体(ht_cjk+)、香港华康标准宋体(DFSongStd)、华康香港标准楷体、CERG Chinese Font、韩国NewGulim、NewBatang,以及微软Windows Vista操作系统提供的宋黑楷仿宋等字体亦支持这个字符集的显示。Windows98支持这个字符集,以下的字符集则不支持。

 

5. ISO/IEC10646/Unicode字符集:这是全球可以共享的编码字符集,两者相互兼融,涵盖了世界上主要语文的字符,其中包括简繁体汉字,计有:CJK统一汉字20925个,CJKExt-A 6582个,Ext-B 42711个,共计70244个汉字。方正楷体超大字符集(简体版FZKaiS-Extended(SIP)或繁体版FZKaiT-Extended(SIP))、SimSun-ExtB(宋体)、MingLiU-ExtB(细明体)能显示全部Ext-B汉字。至今尚无单独一款字体能够显示全部70244个汉字,但可用手写输入法逍遥笔、海峰五笔、新概念五笔、仓颉输入法世纪版,以及东里五笔98全字版等输入法录入。


点此关闭窗口

快捷键ESC

手机浏览更方便:

汉字在计算机中的表示逻辑原理以及五种汉语字符集介绍