汉字编码标准与识别(转)

汉字编码标准与识别(一)
  
代码页(Code Page)初识
  
  
本节是根据以下文章编写出来的，建议认真研读这些专家的高论。
参考1 <> 张 轴 材
<<计算机世界>>周报 97-1-17
参考2 <<张轴材 谈汉字交换码标准建立历程>> <<计算机世界>>周
报记者 黄伟敏 肖春江 99-8-30
参考3 <<中文平台把住“根”留住>> 吴健 <<中国计算机报>>
出版日期：1998-12-21　总期号：348　本年期号：51
参考4 <<为种种UNIX中文平台号脉>> 孙玉芳 <<中国计算机用户>>
出版日期：1998-07-06　总期号：323　本年期号：26
参考5 CJK.INF:
doc/cjk.inf
  
因为本人只是业余水平，不是专家，对于参考资料中许多术语还不
理解，更没有见过任何一种标准的正式文本，错误和模糊之处再所
难免。同时，因为国家有关部门对于宣传，推广和贯彻国家标准方
面力度不够，致使象我这样的初学者或初涉该领域的小企业因信息
资源不足而处于不利的竞争地位。
ASCII制订的时候，并没有考虑对多语种，特别是对象中国汉字这样
的象形文字的支持。为此后来又提出了不少解决方案，其中代码页
体系(ISO2022)是现在普遍实行的方案，而ISO10646/GB13000/Unicode
是今后发展的方向。
中国的汉字编码标准GB2312是7bits标准，具体说是双7位字节标准。
而ASCII是单7位字节标准,计算机怎么区分呢?一种是在第八位置"1",
提示计算机转入双字节编码,这是最常见的一种实现,也叫EUC
(Extended Unix Code)编码.另一种是用特殊标记提示计算机转入双
字节编码,如HZ编码就是用开始，用结束的块标识双字节编码区.它们
都是GB2312的一种实现.对象中国汉字这样的象形文字体系，代码页
是根据各个国家，地区或行业标准，按照EUC方式编码。代码页向下
兼容ASCII，是一种不等长编码。会带来代码的复杂性，同时还会引
起因代码页切换而带来的乱码问题。
Unicode是一种多字节等长编码。ISO10646/GB13000/Unicode现已在
UCS2上实现一致，也就是已实现双字节编码标准。下面所讨论的
ISO10646/GB13000/Unicode，就只是指UCS2这种情况。Unicode对
ASCII采取前面加"0"字节的策略实现等长兼容。如"A"的ASCII码为0x41,
Unicode码就为0x00,0x41。
这里主要从国家标准(GB)系列入手了解Unicode。如果不是看了参考5
(英文)，我还不知道国家关于汉字编码的标准如此之多。中国人居然
要从英文资料里了解汉字编码标准，实在是很无奈的事情。
常用中文编码标准 资料来源:CJK.INF
GB2312-1980(GB0)(简体) GB7589-1987(GB2)(简体)
GB7590-1987(GB4)(简体) GB13000-1993
GB6345.1-1986(GB0修正)
GB8565.2-1988(GB8,GB0扩充)
GB/T12345-90(GB1)(繁体) GB/T13131-9X(GB3)(繁体)
GB/T13132-9X(GB5)(繁体)
  
  
其中横向表示字符集系列。纵向表示各个系列的发展标准。其中
GB2312是基本集，也就是目前最常用的标准。GB7589/GB7590是扩展
集，使用时可能不能和GB2312共存，需要切换使用。GB7589/GB7590
是按部件(部首)和笔顺(笔画)排列，但具体有什么字，怎么排列，
用在什么领域，不清楚。GB2312系列经过两次修正和扩充，已和原
始的GB2312-1980标准有些不同(参考5)。因为没有标准文本，不知
道正在使用的字体是属于哪个标准。根据最新的Unicode3.0，国家
标准最新的是GB16500-95 ，更不知是哪个系列的了。ISO/IEC 10646
等同于GB13000-1993/JIS0221-1995/KSC5000-1995这些国家标准。
制订的目标是包容各语种的文字，其中以汉字最多(Unicode2.0有
20902个汉字)。关于标准的特点可以看参考1，制订过程中的风风
雨雨，可以看参考2。总之，这是一个我们国家参与并占主导地位
的国际标准。
GBK是GB2312向GB13000过渡的一个中间产物。它是GB2312的一次大
的扩展，编码向下兼容GB2312的EUC编码，字汇(字符集)和GB13000
相同，是GB2312的3倍。所以说GBK也包含BIG5，Shift-JIS，KSC的
字汇。注意只是包含字汇，而编码与原始的标准是不同的。在具体
应用中，用GBK字体就可以同时显示GB2312，BIG5，Shift-JIS，KSC
的字符串。但除了GB2312字符串，其它都要转换(convert)。
因为语焉不详，不清楚制订GBK时是谁占主导地位。因为有些英文资
料说是Microsoft制订了GBK，而国家方面也没有进行说明。目前从
这些参考资料只知道，94年ISO/IEC 10646发布后，Microsoft开发
Windows95中文版，要制订中文扩展编码。96年《汉字扩展内码规范》
GBK发布(参考1~3)。按标准发布比制定晚一年推算，这是95年的事。
Windows95及后续版本中文版支持GBK。
GB2312的EUC编码范围是第一字节0xA1~0xFE(实际只用到0xF7)，第
二字节0xA1~0xFE。GBK对此进行扩展。第一字节为0x81~0xFE，第二
字节分两部分，一是0x40~0x7E，二是0x80~0xFE。其中和GB2312相
同的区域，字完全相同。扩展部分大概是按部件(部首)和笔顺(笔画)
从GB13000中取出再排列入GBK中。因此GBK并不是GB13000，虽然两者
字汇相同，但编码体系不同。一个是ISO2022系列不等长编码，一个
是等长编码，并且编码区域也不同。注意到GBK实际上不是国家标准。
在此之前有一个GB2312基本集，在它之上是一个技术更先进的GB13000。
GBK只是一种过渡和扩展规范。所以在Unicode里有GB2312->Unicode,
GB12345->Unicode的转换表格，而没有GBK->Unicode转换表格。只有
Microsoft制作的Code Page 936(CP936.TXT)可以算作GBK->Unicode
转换表格。但要注意这是一个商业公司制作的文件，而不是国家或
国际标准组织制作的，有可能与标准有不一致的地方。最近在方正字
体网站发现一些有用的标准文件,有兴趣可以下载看看.但要注意
Gbk-big5.tab和Gb-big5.tab这两个文件有点瑕疵.





在使用这些转换表制作其它标准的相互转换表，会和传统的转换表
有所不同。如用GBK<=>Unicode<=>BIG5制作GBK<=>BIG5转换表，就
会和传统的GB<=>BIG5转换表有所不同。主要是汉字有简体和繁体。
前者是GBK(中的繁体字)<=>BIG5(繁体字)，后者是GB(简体)<=>BIG5(繁体)。
还有就是对一些制表符选用不同。对汉字繁简转换有兴趣的读者，可以看

　　　　　　
--------------------next---------------------
内码与字体的关系
  
虽然没有标准文本，但还是可以大致了解常用标准有那些字。TLC4.0的
字库带有GB2312，GB12345，BIG5，GBK标准的pcf字体。可以用xfd实用
程序查看。在
的pcf字体。如果安装了FreeType，可以使用xmbdfed软件查看TTF字体。
如果用MS WORD，可能会更简单些。
在日常使用中，我们实际上熟悉的是字码(内码).在中文WIN9X下,我们输
入一个双八位字节,就得到一个汉字,就会认为这双八位字节就是对应这
样的字形.这是错误的.其实内码对于字库来说,只是查找字形的索引.如
果换另一个编码标准的字体，同一个字符串就会呈现不同的字形，也就
是乱码。我见过GB2312,BIG5和ISO10646/GB13000的TTF字库.对于操作系
统和应用程序来说,最喜欢的自然是ISO10646/GB13000的TTF字库了.因为
这时只需提供一套代码和一套字库,修改外部配置文件,就可以用在不同的
语种环境.这就是国际化和本地化.其中有个技巧就是ISO10646/GB13000的
TTF字库可以在使用时可以通过重映射变成其它标准的字库.这时需要的是
GBK->Unicode,Big5->Unicode这些转换表.一个系统要升级支持Unicode3.0,
也难也不难.简单的地方是只需修改转换表就行了(如windows
ls*.*).
难的是要升级字库.开发字库是很困难的,可以到方正字库网站看看开发字
库的步骤.WIN9X使用的是北京中易公司的TTF字库,MS是不可能开发一套中
文字库的.我所见过的ISO10646/GB13000的TTF字库,最新的是99年版,Unicode2.1,
方正字库.要想见到Unicode3.0的所有字形,也只有等这些专业字库开发商
做出来才行.如果现在就想看,只有问张轴材了.因为每通过一次新标准,中
国方面就要提供所有汉字的48x48高精密字形.使用TTF字体始终是诱人的话
题。但现在了解不多，只能简单谈谈从TTF字体生成bdf/pcf字体的问题。
因为现在中文pcf字体很少，只有宋体，仿宋，黑体，楷体四种。要想有更
多的字体，有个取巧的方法就是使用freetype库。用ttftobdf程序生成bdf
字体，再用bdftopcf程序生成pcf字体。但这种方法生成的字体缩放后比较
难看，而且不宜控制。这可能是ttf->bdf的转换过程丢失了信息，高宽比
也和标准的不一样。机器生成的东西就是机械，是不能和手绘的字体相比
的。同时，因为TTF技术已成熟，所以也没有必要继续开发更多的pcf字体。
X window将接受和大量使用TTF字体。而pcf字体今后主要用在标准字型
（如宋体），小点阵，网上快速下载传输方面。只有实际在X Window下用
过Unicode和TTF的字体，才会体会到使用Unicode和TTF，既是一种能力，
也是一种负担。因为不论是什么格式的字体文件，最后在使用时都转化为
内存里固定点阵字体。如果是16x16点阵，一个汉字就用32字节。Unicode3.0
有27786个汉字,至少需要868kb的内存。如果要中文英文美观一致，还得装
载大量的中文字体，所需内存可想而知。如果再使用TTF，还需要另一块内
存来运算和存储。因此，就算X Window提供了字体cache和deferglyphs，
还是于事无补。而我们常用的汉字其实很少。根据统计，常用汉字的频率，
前165个汉字频率和>50%，前1000个汉字频率和>95%；按小学教学经验，识
字900个左右，基本可以读书，看报，写作文；按小学教学大纲，小学毕业
识字2500字；GB2312的一级字库的频率和已>99%。我想我自己识字大约为
4000~5000，对比Unicode的汉字，好象一个文盲:-)。因此是用GB2312，还
是用GB13000，真是一个两难决择，我们也要为我们的选择付出代价。
最后通过内码与字体的关系，讨论UTF8的作用。
UTF8是现有ASCII系统转向Unicode系统的一个过渡解决方案。UTF8是保证
ASCII兼容性，再向大字符集方向扩展。这是Unicode推荐的方案。但是因
为解决问题的角度不同，对现有的中文系统不是好的解决方案。
CJK字符编码标准目前都为一字/两字节。中文在UCS2中的编码范围是
U+4E00~U+9FFFF。按照UTF8的编码规则，为一字/三字节，增加1/3的空间。
同时和现有的CJK系统不兼容。CJK系统要使用UTF8，先转换为UCS2，再转换
为UTF8。后一步简直是多此一举。因为从字库的角度看，字的编码只是字形
在字库中的索引。UTF8是变长码，不能直接做索引，需要转换为UCS2才能使
用字库。
随着GUI的发展，字库逐渐转向TTF。TTF字库的编码标准，有GB2312/GB2312
的EUC标准；BIG5标准；ISO10646标准。没有见过UTF8的TTF，也不知道CJK
这些国家有哪些系统使用了UTF8编码。
目前Unicodde有一个特点就是内核代码(CoreCode)。用户表面上可以继续使
用原有的编码标准，系统内部使用UCS2进行运算和操作。系统使用用户可改
变的标志或模块，以识别用户需要的编码标准，然后进行转换。这样，系统
只需提供一套ISO10646的TTF，不修改内部代码，就可以为多个用户同时提供
中文，日文，韩文的支持。Windows95及后面的中文版就是采用这个方案。现
有的X window的TTF服务器，X-TT和xfsft也可以使用这个方案。
前者在TurboLinux中文版里得到了实现，后者我试验过，效果还不错。还有
一个有趣的现象，就是红旗Linux1.1版所带的那个12点阵的pcf字体
/usr/X11R6/lib/X11/fonts/misc/gb12st.pcf.gz。这已不是严格意义上的
GB2312编码的字库了。用xfd实用程序查看，好象是从Unicode编码的TTF字体
转换来的，有些GBK的字，可惜太少。如果他们能出些GBK编码标准的pcf字体
就好了。

CJK系统转向UCS2与ASCII系统转向UTF8，两者的代码修改量是相当的。只是前
者多了转换表，需要内存多些。不过ASCII系统使用UCS2，需要增加50%的空间。
目前计算机里大多数还是ASCII的信息，看来这也是一个问题。　　　　　　
--------------------next---------------------
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:

BIG5<=>Unicode转换表:

JIS<=>Unicode转换表:

KSC<=>Unicode转换表:

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:

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:

GBK标准:

GB<=>BIG5转换表:

GBK<=>BIG5转换表:

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:

GBK<=>Unicode转换表:

BIG5字形表:

BIG5<=>Unicode转换表:

在Windows97/98中文版里也提供了些资料：
GBK标准:windowsGBK.txt
code pages:windowssystemcp{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
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。　　　　　　
--------------------next---------------------
因为历史和地域原因，汉字有不少编码标准。最常见的是GB2312和BIG5。
在Unicode被完全接受前，他们将共存相当长的一段时间。因此在实际应
用中有必要把它们区分显示。这就是编码识别。
现在在Windows平台下有不少软件可以识别和同屏显示GB2312和BIG5字符
串，已相当准确。但因为其中蕴藏着不小的商机，这些算法都不公开。
现在只见两种算法：
1)算法1
2)算法2
具体的原理可以看发明人的主页。因为这两种算法是通过大量的文章统计
出来的，而实际应用是一行行的识别。所以有必要对短句和词组的有效性
进行验证。这里用了一个取巧的方法，分析对常用词组的识别率。因为句
子大多由这些有意义的词组组成。因为两岸不但编码不同，习惯用语也不
同。所以分别收集了GB词组1.3MB，BIG5词组900KB。通过对比发现一些有
趣的事情。
1)算法1占用内存大些，速度慢些，但识别率高些，并且稳定.误差为8.6%，
算法2正好相反，误差为17.6%。综合两者可以提高一些识别率。
  
两种算法的识别率
算法1 算法2 综合
GB文件 5% 2.6% 0.7%
BIG5文件 3.6% 15% 5%
  
2)算法2提到的平均值184的阙值确实存在。但最好的算法不是作者所说的
第二字节算法。而是第一字节和第二字节相加的算法。用三种算法分析GB
词组，都呈正态分布：第一字节算法峰值在195，坡  陡峭，?明平均值集
中。第二字节算法峰值在207，坡度平缓，说明平均值分散。双字节相加算
法介于两者之间。
分析BIG5词组：
第一字节算法有峰值174，但坡度平缓得多。
第二字节算法有峰值160左右，更平缓,呈矩形分布，也就是BIG5常用词组
的第二字节的编码范围分布比较均匀。
双字节相加算法是两者的迭加。
所以较好的算法是：
flag = (a * c1 + c2) / (a + 1) (a = 5 ~ 7为佳)
以184为界，GB词组有5%的词的平均值小于184，BIG5词组有15%的词的平均
值大于184，综合误差为17.6%。也就是说，对于GB码的字符串，算法2不易
错判，对于BIG5码的字符串则相反。如果是GB文件转换为BIG5码,误差要低
些,为15%,好象是GB码的编码和用字比较集中些.
3)算法1识别率提高的可能
GB2312标准的汉字有6763个，BIG5还要多些。而算法1只取600个字进行加
权，似乎少了些。加权系数从1~600规则排列，似乎不能反映字频变化的规
律。对于GB2312，按常用的2:8的规律，应选1200字左右；按小学教学大纲，
小学毕业识字2500字；按小学教学经验，识字900个左右，基本可以读书，
看报，写作文。因此，这加权范围应该在900~1000字左右。但选哪些字，字
频多少，应该是我们的语言文字专家发言的时候了。

4)新的可能算法
两岸汉字编码不同，常用语也不同，那么常用词组也不同。因此从常用词
组分析差别更大，识别率也就更高。可惜没有资料，因此现在只有设想，
没有算法。同时希望更多的人本着GPL大集市的精神，提供更多更好的算法。　　　　　　
--------------------next---------------------