内码转换表(转)

发信人: yanglc (魂归燕园~~别理我，烦着呢), 信区: Linux
标 题: 汉字编码标准与识别(三)
发信站: BBS 水木清华站 (Sat Apr 29 17:27:31 2000)


Number=768&page=2&view=expanded&sb=5

Subject
汉字编码标准与识别(三)内码转换表的来源与
制作

Posted by
shuyong
Posted on
4/16/2000 9:21 PM


汉字编码标准与识别(三)

内码转换表的来源与制作


由于历史和地域的原因，电脑里的中文标准有不少种共存于Internet
中。这是现实。因此出现了内码转换。这方面的程序现在有不少。不
过大多是MS Windows的版本，并且有的毛病不少，所以有必要制作一
个完整些的内码转换表。

资料来源
自从Unicode/ISO10646/GB13000标准出现后，这项工作变得简单和繁
琐。因此制作转换表时有一个准则：以国际和国家标准为基准，参考
有影响的商业公司的转换表，个人和小软件次之。下面是资料的来源：
一)国际和国家标准组织
国际标准组织Unicode()提供了
GB<=>Unicode转换表:
ftp://ftp.unicode.org/Public/MAPPINGS/EASTASIA/GB
BIG5<=>Unicode转换表:
ftp://ftp.unicode.org/Public/MAPPINGS/EASTASIA/OTHER
JIS<=>Unicode转换表:
ftp://ftp.unicode.org/Public/MAPPINGS/EASTASIA/JIS
KSC<=>Unicode转换表:
ftp://ftp.unicode.org/Public/MAPPINGS/EASTASIA/KSC
因为GBK不是国家标准，所以Unicode并没有提供GBK<=>Unicode的转换
表，而只是采用了Microsoft的code page的一个版本:
ftp://ftp.unicode.org/Public/MAPPINGS/VENDORS/MICSFT/
WINDOWS/CP{936,950}.TXT
中国国家标准网入门太难，须8000元/个人。因此没有得到正式的
GB2312-1980和GB13000-1993的标准。
二)商业公司
2.1方正集团字体部

因为方正是产，学，研的综合体，在排版和字体领域奋斗多年，有很
特殊的地位。他们提供的转换表，几乎可以等同国家标准。
GB2312标准:
gb2312.htm
GBK标准:
gbk.htm
GB<=>BIG5转换表:
download/Gb-big5.tab
GBK<=>BIG5转换表:
download/Gbk-big5.tab
2.2Microsoft

Microsoft是谁也忽略不了的。有时候就算是他们错了，最后也是对
的。在有些英文资料里把GBK说成是Microsoft制订的。Microsoft从
商业角度出发，提供的是code pages：
GBK字形表:
typography/unicode/936gif.zip
GBK<=>Unicode转换表:
typography/unicode/936.txt
BIG5字形表:
typography/unicode/950gif.zip
BIG5<=>Unicode转换表:
typography/unicode/950.txt
在Windows97/98中文版里也提供了些资料：
GBK标准:\windows\GBK.txt
code pages:\windows\system\cp{932,936,949,950}.nls
三)个人与共享软件
有不少个人和小团体也在这方面进行了探索。
3.1 TextPro ~buddha
因为他们特殊的需求，TextPro确实在BIG5=>GBK/GB转换方面有独到之
处。同时还有个GBK(繁体)=>GB(简体)转换表，很有特色。因为繁体=>
简体是多对一的映射，因此很难有简体=>繁体的转换表。特别是基于字
到字的映射的转换是不可能的。目前已有人进行基于词典和上下文的词
到词的映射。有兴趣可以看

3.2 Stone Chi
提供了基于RichWin的内码转换表。收集了不少的资料，对内码标准
有较深的了解。同时还有一个中文检索软件值得一尝。
3.3 NJStar 和
MagicWin
他们在这领域有些日子了。不过转换表不是很全。

制作
根据上面的准则和排列次序制作。如果上一级有空白，就要下一级填
补；如果有冲突，就以上一级的为准。
一)根据Unicode的GB<=>Unicode与BIG5<=>Unicode转换表制作GB<=>BIG5
转换表。
二)根据Microsoft的GBK<=>Unicode与BIG5<=>Unicode转换表制作
GBK<=>BIG5转换表。
至此，基于标准的转换实际已经完成。Unicode的特点就是一字一码，一
码一字。各个国家和地区的汉字标准已编入Unicode的，并有相同的Unicode
码的汉字，就是叫CJK认同汉字。但有些汉字因为种种原因而未能得到认
同，如果制作这些汉字的转换表，只能是基于实用的，有可能多对多映射
的转换表。
三)使用方正的GBK<=>BIG5转换表填充(一)的GB<=>BIG5转换表。
四)使用Microsoft的GBK<=>BIG5转换表填充(三)的GBK<=>BIG5转换表。
五)使用TextPro和stonec的GBK<=>BIG5转换表填充(四)的GBK<=>BIG5转
换表。
六)NJStar的转换表虽然不是很全，但在BIG5=>GBK转换表中的C6行后半
段和C7，C8行却相当完整。上面的转换表在这里不是空白就是很少转换。
可能这个区域是属于扩充符号
区，可有可无。为保险起见，使用NJStar填充这个区域。
七)校验。通过电脑对码表进行校验，发现在汉字编码方面基本一致。
有冲突的地方基本上是对制表符的理解不同造成的。
八)目测校验。也就是用肉眼一个字一个字的检查。这是最重要的一步。
但因为学识和精力有限，未能做到这一步。