华宇拼音输入法论坛

标题: 汉字字符集和Unicode介绍 [打印本页]
作者: sanwsw    时间: 2011-8-9 09:01
标题: 汉字字符集和Unicode介绍
　　紫光华宇拼音输入法支持Unicode，但绝大部分人对Unicode并不了解。很多人在汉字输入中因不了解汉字字符集知识，埋怨输入法收字不多、不全。现选刊高级程序员fmddlmyy（网名“伐木丁丁鸟鸣嘤嘤”）的经典文章，希望更多紫光用户能够从中得益。——sanwsw
作者: sanwsw    时间: 2011-8-9 09:02
标题: GB18030编码研究以及GBK、GB18030与Unicode的映射
GB18030编码研究以及GBK、GB18030与Unicode的映射
fmddlmyy

　　GB18030有两个版本：GB18030-2000和GB18030-2005。在本文中，没有指明版本的GB18030是指GB18030-2005。本文讨论了以下问题：
　　1.GB2312有682个图形符号，都放在1区。GBK的1区有717个图形符号，5区有166个图形符号，一共有883个图形符号。GB18030的1区有728个图形符号，5区还是166个符号。那么，GBK的1区在GB2312基础上增加了哪35个符号？GB18030又增加了哪些符号？
　　2.GBK支持21003个汉字与883个图形符号，一共21886个字符。这21886个字符究竟是哪些字符？这21886个字符的编码在GB18030中有什么变化？
　　3.GB18030是怎样映射Unicode的全部0x110000个码位的？
　　4.GB18030-2000和GB18030-2005在字汇上有什么区别，在编码上有什么区别？
　　5.GB18030-2005的双字节区中有2067个码位被映射到Unicode BMP的PUA。这些码位有什么规律？这些码位中定义了多少字符？其实这2067个码位中只定义了24个字符。
　　6.GBK的21886个字符中有95个字符被映射到Unicode BMP的PUA。在GB18030中这95个字符的编码有哪些变化？哪些字符保持了原来的编码？
　　7.GBK的23940个码位中有多少码位被映射到Unicode BMP的PUA？在GB18030中这些码位的编码有什么变化？
　　在讨论这些问题前，我们先约定一下码位空间的表示方法。
　　一、码位空间
　　1.约定
　　GBK是双字节编码，每个字符用两个字节表示。GB18030是多字节字符集，它的字符可以用一个、两个或四个字节表示。码位空间由各字节的范围确定。例如：GB18030的四字节字符码位空间是：
　　·第一字节在0x81~0xFE之间
　　·第二字节在0x30~0x39之间
　　·第三字节在0x81~0xFE之间
　　·第四字节在0x30~0x39之间

为了表述方便，我们用0x81308130~0xFE39FE39表示这个码位空间。也就是说：在本文中0x81308130~0xFE39FE39所指的并不是从0x81308130到0xFE39FE39的连续2097773834（0xFE39FE39-0x81308130+1）个字节。在本文中，0x81308130~0xFE39FE39所指的是编码的各字节在对应范围内的码位空间，这个码位空间的码位数目是：
　　(0xFE-0x81+1)*(0x39-0x30+1)*(0xFE-0x81+1)*(0x39-0x30+1)=126*10*126*10=1587600
同理，0xB0A1~0xF7FE代表的码位空间是第一字节在0xB0~0xF7之间，第二字节在0xA1~0xFE之间的所有码位。这个码位空间的码位数目是：
　　(0xF7-0xB0+1)*(0xFE-0xA1+1)=72*94=6768
　　这个码位空间就是GBK和GB18030的2区，在这6768个码位中定义了6763个字符。
　　本文用~表示上述码位空间，用-表示一般的范围，即：
　　·0xA1A1~0xA9FE表示第一字节在0xA1到0xA9之间，第二字节在0xA1~0xFE之间的846（(0xA9-0xA1+1)*(0xFE-0xA1+1)=9*94）个码位。
　　·0xE000-0xF8FF表示从0xE000-0xF8FF的连续6400（0xF8FF-0xE000+1）个码位。

　　（1）习题
　　读者如果已经理解了上面的约定，请完成下面两个习题：
　　习题一：求码位空间0x8140~0xFE7E的码位数目。
　　习题二：求码位空间0x8180~0xFEFE的码位数目。
　　（2）答案
　　以下是习题的答案：
　　①习题一：(0xFE-0x81+1)*(0x7E-0x40+1)=126*63=7938
　　②习题二：(0xFE-0x81+1)*(0xFE-0x80+1)=126*127=16002
　　GB18030双字节字符的码位空间就是0x8140~0xFE7E和0x8180~0xFEFE，双字节字符的码位数目是7938+16002=23940。0x8140~0xFE7E和0x8180~0xFEFE也是GBK的全部码位空间。GBK在这23940个码位中定义了21886个字符。
　　二、GBK回顾
　　1.简介
　　GBK是双字节编码方案。它的码位空间就是前面所说的0x8140~0xFE7E和0x8180~0xFEFE，一共23940个码位。在这23940个码位上定义了21886个字符，包括21003个汉字和883个图形符号。《Unicode、GB2312、GBK和GB18030中的汉字》详细讨论了这21003个汉字。本文的第3节会讨论GB2312、GBK和GB18030的图形符号。

　　GBK的码位空间可以划分为以下区域：
  
类别
  		  
区名
  		  
码位范围
  		  
码位数
  		  
字符数
  
  
符号区
  		  
1区
  		  0xA1A1~0xA9FE
  		  
846
  		  
717
  
  
5区
  		  0xA840~0xA97E和0xA880~0xA9A0
  		  
192
  		  
166
  
  
汉字区
  		  
2区
  		  0xB0A1~0xF7FE
  		  
6768
  		  
6763
  
  
3区
  		  0x8140~0xA07E和0x8180~0xA0FE
  		  
6080
  		  
6080
  
  
4区
  		  0xAA40~0xFE7E和0xAA80~0xFEA0
  		  
8160
  		  
8160
  
  
用户自定义区
  		  
用户区1
  		  0xAAA1~0xAFFE
  		  
564
  		  

  
  
用户区2
  		  0xF8A1~0xFEFE
  		  
658
  		  

  
  
用户区3
  		  0xA140~0xA77E和0xA180~0xA7A0
  		  
672
  		  

  

　　2.GBK字符与Unicode的映射

　　我制作了一个Excel文件：附件1。这个文件包含3张表格：
　　（1）按照GBK编码排序的GBK全部21886字符码表。这个表格有3列：字符、GBK编码、Unicode编码。
　　（2）按照Unicode编码排序的GBK全部21886字符码表。这个表格有3列：字符、Unicode编码、GBK编码。
　　（3）从按Unicode编码排序的表格中，很容易找到被映射到PUA（0xE000-0xF8FF）的字符。GBK的21886个字符中有95个字符属于PUA。第三张表格列出了这95个字符（A列）的GBK编码（B列）、Unicode编码（C列）以及这些字符在GB18030中对应的Unicode编码（D列）。

　　其中D列可能不太容易理解，我再解释一下。GB18030是兼容GBK的，所以这些字符的GBK编码和GB18030编码是相同的。例如的GBK编码和GB18030编码都是0xA8BF。但是在GBK和GB18030中，被映射到不同的Unicode码位。在GBK中，0xA8BF被映射到Unicode的0xE7C8。在Unicode中，码位0xE7C8是一个PUA码位，保留给用户使用。在GB18030中，0xA8BF被映射到Unicode的0x01F9。在Unicode中，码位0x01F9属于“拉丁字母扩充-B”这个Block，这个码位定义的字符是“带抑音符的拉丁文小写字母 N”，字形就是。
　　3.GBK码位与Unicode的映射
　　GBK的23940个码位定义了21886个字符，还有23940-21886=2054个空闲码位，这2054个码位都被映射到Unicode的PUA。在设计GBK时，GBK的21886个字符中有95个在Unicode中没有对应字符，所以这95个字符也被映射到Unicode的PUA。在GBK的23940个码位中，一共有2054+95=2149个码位被映射到PUA，对应的PUA编码是0xE000-0xE864。0xE000-0xE864就是2149个码位。这2149个码位的分配有以下规律：
  码位所在区域

  		  码位数量

  		  映射到的PUA范围

  
  用户区1：0xAAA1~0xAFFE
  		  564
  		  0xE000-0xE233
  
  用户区2：0xF8A1~0xFEFE
  		  658
  		  0xE234-0xE4C5
  
  用户区3：0xA140~0xA77E和A180-A7A0
  		  672
  		  0xE4C6-0xE765
  
  符号区（1区和5区）的170个空闲码位

  		  170
  		  0xE766-0xE80F
  
  2区的5个空闲码位：0xD7FA-0xD7FE
  		  5
  		  0xE810-0xE814
  
  4区的80个Unicode当时没有定义的字符：FE50-FE7E和FE80-FEA0
  		  80
  		  0xE815-0xE864
  


　　附件2包含两张表格：
　　①23940个GBK码位与Unicode的映射。两组数据分别按GBK和Unicode排序。
　　②149个映射到PUA的码位，按Unicode顺序排列。
　　三、GB18030编码
　　1.概述
　　GB18030是多字节字符集，它的字符可以用一个、两个或四个字节表示。GB18030的码位定义如下：
  字节数

  		  码位空间

  		  码位数

  		  字符数

  
  单字节

  		  0x00~0x7F
  		  128
  		  128
  
  双字节

  		  0x8140~0xFE7E和0x8180~0xFEFE
  		  23940
  		  21897
  
  四字节

  		  0x81308130~0xFE39FE39
  		  1587600
  		  54531
  

　　GB18030有128+23940+1587600=1611668个码位。Unicode的码位数目是0x110000（1114112），少于GB18030。所以，GB18030有足够的空间映射Unicode的所有码位。
　　GB18030的1611668个码位目前定义了128+21897+54531=76556个字符。Unicode 5.0定义了99089个字符。

2.设计思路
　　GB18030编码可以分为：单字节部分、双字节部分和四字节部分。单字节部分与Unicode的0x00-0x7f完全相同。双字节部分与GBK有两点差异：
　　（1）在1区增加了11个字符。这样1区就有717+11=728个字符。增加的11个字符是：一个欧元符号（0xA2E3）和10个竖排标点符号（0xA6D9-0xA6DF、0xA6EC-0xA6ED和0xA6F3）。
　　（2）原来因为Unicode没有收录而映射到PUA的字符中的部分字符被新版本的Unicode收录，所以将这些字符映射到非PUA的码位。
　　Unicode的BMP一共有65536个码位。其中代理区（0xD800-0xDFFF）有2048个码位，这2048个码位是不能定义字符的。GB18030的单字节部分映射了128个码位，GB18030的双字节部分映射了23940个码位。还剩下65536-2048-128-23940=39420个码位。

GB18030将这39420个码位顺序映射到从0x81308130开始的码位空间。GB18030将Unicode的16个辅助平面（0x10000-0x10FFFF，一共1048576个码位）顺序映射到从0x90308130开始的码位空间。GB18030四字节部分中只有这两个区域定义了字符，其它空间都是保留区和自定义区。本文还会详细讨论GB18030的双字节和四字节部分。

GB18030的设计思路可以概括到以下几点：

（1）单字节部分与Unicode一致。

（2）双字节部分与GBK兼容。适当调整一些字符与Unicode的映射。这些字符原来因为Unicode没有收录而被映射到PUA，现在因为Unicode已经收录而调整到非PUA的Unicode码位。

（3）将Unicode BMP部分还没有映射的39420个码位顺序映射到从0x81308130开始的四字节部分。

（4）将Unicode BMP以外的16个辅助平面映射到39420个码位顺序映射到从0x90308130开始的四字节部分。

在GB18030目前定义的76556个字符中，只有24个字符被定义到Unicode的PUA区。这24个字符包括1区的10个竖排标点符号（0xA6D9-0xA6DF、0xA6EC-0xA6ED和0xA6F3）和4区的14个汉字（0xFE51、0xFE52、0xFE53、0xFE59、0xFE61、0xFE66、0xFE67、0xFE6C、0xFE6D、0xFE76、0xFE7E、0xFE90、0xFE91、0xFEA0）。4区的14个汉字在Unicode 5.0中其实也可以找到非PUA的编码，详见《Unicode、GB2312、GBK和GB18030中的汉字》。但按照GB18030，它们还是应该映射到PUA码位。

3.GB18030-2000和GB18030-2005的区别及以后版本

GB18030-2005与GB18030-2000的编码体系结构是完全相同的。GB18030-2005相对于GB18030-2000主要有以下变化：

（1）在四字节字符表中增加CJK统一汉字扩充B和已经在GB13000中编码的我国少数民族文字字符的字形。其实GB18030-2000已经映射了这些码位，但GB18030-2000没有给出这些字符的字形。

（2）调整字符的编码

其中的编码调整比较有意思。的GB18030编码是0xA8BC，E7C8在Unicode 5.0的编码是0x1E3F。在GB18030-2000中0xA8BC被映射到Unicode的0xE7C7，因为双字节部分没有映射0x1E3F，所以它作为BMP的未映射字符被放到四字节部分的0x8135F437。GB18030-2005将0xA8BC映射到0x1E3F，那么Unicode码位0xE7C7怎么办呢？为了最小化对原来编码的影响，设计者将Unicode码位0xE7C7映射到本来映射0x1E3F的0x8135F437。

GB18030已经映射了Unicode的所有码位，所以不管Unicode怎么变化，GB18030不过就是在现在的码位上增加一些字形而已，编码不会变化。只有现在还映射到PUA的24个字符以后可能会调整到非PUA码位。调整方法应该与的调整方法相同。

4.GB18030双字节部分

前面已经介绍过GB18030双字节部分与GBK的区别，本小节再提一些细节。前面也说过，GB18030映射了Unicode除代理区外的所有码位。所以，Unicode BMP的6400个PUA码位在GB18030中都有对应的码位。GB18030双字节部分映射了2067个PUA码位。

前面说过，GBK映射了2149个PUA码位。现在GB18030双字节部分映射了2067个PUA码位。所以有2149-2067=82个字符的映射发生了变化。GBK原来有95个字符映射到PUA，其中81个字符在GB18030中被映射到非PUA码位。余下的14个汉字就是《Unicode、GB2312、GBK和GB18030中的汉字》提到的那14个汉字（FE51、FE52、0xFE53、0xFE59、0xFE61、0xFE66、0xFE67、0xFE6C、0xFE6D、0xFE76、0xFE7E、0xFE90、0xFE91、0xFEA0）。附件1列出了这些字符的编码变化。82个映射变化的码位，除了这81个外，还有一个就是欧元符号：GB18030编码是0xA2E3，Unicode编码是0x20AC。码位0xA2E3在GBK中被映射到0xE76C，GBK的码位0xA2E3没有定义字符。

GB18030双字节部分与Unicode的映射没有规律，只能通过查表方法映射。

5.GB18030四字节部分

GB18030四字节部分的字符可以见GB18030-2005的“表3 四字节部分的码位安排”，一共54531个字符。GB18030四字节部分的码位可以见GB18030-2005的“7.3 四字节部分字符的排列顺序”。其中定义字符的只有两个区域：

①GB18030用码位0x81308130~0x8439FE39共50400个码位映射该标准单字节和双字节部分没有映射过的39420个Unicode BMP码位。

②GB18030用码位0x90308130~0xE339FE39共1058400个码位映射Unicode 16个辅助平面（平面1到平面16）的65536*16=1048576个码位。

为了叙述方便，本文将0x81308130~0x8439FE39称作“BMP扩展部分”，将0x90308130~0xE339FE39称作“辅助平面部分”。GB18030四字节部分的码位空间是0x81308130~0xFE39FE39。第二字节有(0x39-0x30+1)=10个可能值。第三字节有(0xFE-0x81+1)=126个可能值。第四字节也是(0x39-0x30+1)=10个可能值。为了方便下面的演算，本文为这个码位空间定义几个名词：

①我们将四字节码位空间中第一字节相同的区域称作一级区。每个一级区有12600个码位，即：10*126*10。

②我们将四字节码位空间中第一字节和第二字节相同的区域称作二级区。每个二级区有1260个码位，即：126*10。

③我们将四字节码位空间中前三个字节相同的区域称作三级区，每个三级区有10个码位。
四字节部分一共有(0xFE-0x81+1)=126个一级区。BMP扩展部分有4个一级区。辅助平面部分有84个一级区。还有38个一级区是保留区或自定义区。

（1） BMP扩展部分

BMP扩展部分占据四字节部分开头的4个一级区，一共有4*12600=50400个码位。这段空间的Unicode映射说起来还是很简单的，就是顺序映射单字节、双字节没有映射过的BMP码位。这些映射关系在GB18030-2000中确定下来。以后的调整（例如）只是个别字符，不会影响其它字符的位置。但是因为双字节字符已经映射过的BMP码位没有什么规律，所以造成BMP扩展部分的Unicode映射也不能用公式换算，还是要查表解决。

显然这50400个码位中只用到了39420个码位，其余码位都是保留的。出于好玩，我们来计算一下最后一个非保留码位（0xFFFF）的位置，计算过程如下：
　　m1=(39420-1)/12600=3
　　n1=(39420-1)%12600=1619
　　m2=n1/1260=1619/1260=1
　　n2=n1%1260=1619%1260=359
　　m3=n2/10=359/10=35
　　n3=n2%10=359%10=9
　　第一字节的位置是：0x81+m1=0x81+3=0x84
　　第二字节的位置是：0x30+m2=0x30+1=0x31
　　第三字节的位置是：0x81+m3=0x81+35=0xA4
　　第四字节的位置是：0x30+n3=0x30+9=0x39
　　所以Unicode编码0xFFFF映射的GB18030码位是0x8431A439。在BMP扩展部分中，0x8431A439以后的码位都是保留码位。上述计算中，/表示整除（例如5/3=1），%表示取余（例如5%3=2）。
　　（2）辅助平面部分
　　辅助平面部分用84个一级区（0x90308130~0xE339FE39）直接映射Unicode的16个辅助平面。这部分映射是可以直接用公式计算的。让我们看看怎么计算。
　　▲从Unicode编码到GB18030编码的映射方法如下：
　　U=Unicode编码-0x10000
　　m1=U/12600
　　n1=U%12600
　　m2=n1/1260
　　n2=n1%1260
　　m3=n2/10
　　n3=n2%10
　　第一字节b1=m1+0x90
　　第二字节b2=m2+0x30
　　第三字节b3=m3+0x81
　　第四字节b4=n3+0x30
　　按照上述方法可以计算出0x10FFFF被映射到0xE3329A35。在辅助平面部分，0xE3329A35以后的码位都是保留码位。以上所写的算法可以很容易写成C/C++代码。对于不会编程的读者，也可以用Excel公式计算。假设Unicode编码放在单元格A12，计算方法如下：
　　将m1放在B12，B12=INT((HEX2DEC(A12)-65536)/12600)
　　将n1放在C12，C12=MOD((HEX2DEC(A12)-65536),12600)
　　将m2放在D12，D12=INT(C12/1260)
　　将n2放在E12，E12=MOD(C12,1260)
　　将m3放在F12，F12=INT(E12/10)
　　n3放在G12，G12=MOD(E12,10)
　　将第一字节放在H12，H12=DEC2HEX(B12+144)
　　将第二字节放在I12，I12=DEC2HEX(D12+48)
　　将第三字节放在J12，J12=DEC2HEX(F12+129)
　　将第四字节放在K12，K12=DEC2HEX(G12+48)
　　附件3中有写好上述公式的Excel表格。使用函数Hex2dec/Dec2hex需要通过“工具->加载宏”钩上“分析工具库”。
　　▲从GB18030编码到Unicode编码的映射方法如下：
　　假设GB18030编码的四个字节依次为：b1、b2、b3、b4，则Unicode编码=0x10000+(b1-0x90)*12600+(b2-0x30)*1260+(b3-0x81)*10+b4-0x30
假设b1、b2、b3、b4分别放在A4、B4、C4、D4，Unicode编码放在E4，则Excel计算公式为：
　　E4 ==DEC2HEX((HEX2DEC(A4)-144)*12600+(HEX2DEC(B4)-48)*1260+(HEX2DEC(C4)-129)*10+(HEX2DEC(D4)-48)+65536)
　　6.GB18030和Unicode的映射表
　　附件3给出了GB18030和Unicode的映射表。这个Excel文件是在网友谢振斌先生的映射表基础上制作的，包含3张表格：
　　①双字节部分23940个码位与Unicode的映射。两组数据分别按GB18030和Unicode排序。
　　②BMP扩展部分39420个码位与Unicode的映射。两组数据分别按GB18030和Unicode排序。
　　③辅助平面部分，GB18030编码和Unicode编码的映射公式。
　　四、GB2312、GBK和GB18030中的图形符号
　　在研究GB18030编码的过程中，我整理了GB2312、GBK和GB18030在1区和5区的图形符号，制作了附件4。这个Excel文件包含3张表格：
　　①GB2312的1区字符表。GBK和GB18030的1区、5区字符表。用不同颜色标注了GBK增加的35个字符和GB18030增加的11个字符。
　　②GB2312 1区682个符号的编码。
　　③GBK 1区717个符号的编码。
　　五、结束语
　　通过本文的介绍，读者可以回答开头的问题了吗？
　　无论是Windows XP还是Windows Vista，中文（中国）区域对应的默认代码页还是GBK。我们只能设置区域，并不能设置区域对应的默认代码页。所以在Windows世界，只要微软不愿意，GB18030就只是一张普通的代码页。目前的简体中文文档使用的编码主要是Unicode和GBK，应该没有什么文档会用GB18030保存。本文只是出于程序员的好奇而对GB18030编码所作的一些研究，希望能对同样好奇的读者有所助益。
作者: sanwsw    时间: 2011-8-9 10:41

　　①GB18030编码研究以及GBK、GB18030与Unicode的映射
　　
　　②Unicode、GB2312、GBK和GB18030中的汉字

　　③浅谈文字编码和Unicode（上）

　　④浅谈文字编码和Unicode（下）

　　⑤谈谈Windows程序中的字符编码

　　⑥谈谈Unicode编码，简要解释UCS、UTF、BMP、BOM等名词
作者: wang2lang    时间: 2011-8-9 11:16
还是懵懵懂懂……
作者: kingdick    时间: 2011-8-9 11:49
知道活字印刷术吧？就是那个原理，一模一样的。盒子不够大了，就会缺字。
作者: ljdqe    时间: 2011-8-9 21:04
科普
作者: 野风    时间: 2011-8-9 22:03
不用弄明白，也没有事！
我就没有明白，照样用！



欢迎光临 华宇拼音输入法论坛 (http://bbs.pinyin.thunisoft.com/) Powered by Discuz! X3.2