複製鏈接
請複製以下鏈接發送給好友

字符集

編輯 鎖定
字符(Character)是各種文字和符號的總稱,包括各國家文字、標點符號、圖形符號、數字等。字符集(Character set)是多個字符的集合,字符集種類較多,每個字符集包含的字符個數不同,常見字符集名稱:ASCII字符集、GB2312字符集、BIG5字符集、 GB18030字符集、Unicode字符集等。計算機要準確的處理各種字符集文字,就需要進行字符編碼,以便計算機能夠識別和存儲各種文字。中文文字數目大,而且還分為簡體中文繁體中文兩種不同書寫規則的文字,而計算機最初是按英語單字節字符設計的,因此,對中文字符進行編碼,是中文信息交流的技術基礎。
中文名
字符集
外文名
Character set
定    義
多個字符的集合
種    類
ASCII,GB2312,BIG5,GB18030等
有關術語
字符
學    科
計算機科學

字符集ASCII字符集

編輯

字符集名稱由來

ASCII(American Standard Code for Information Interchange,美國信息互換標準編碼)是基於羅馬字母表的一套電腦編碼系統。 [1] 

字符集特點

它主要用於顯示現代英語和其他西歐語言。它是最通用的單字節編碼系統,並等同於國際標準ISO 646。

字符集包含內容

控制字符回車鍵、退格、換行鍵等。
可顯示字符:英文大小寫字符、阿拉伯數字和西文符號。

字符集技術特徵

7位(bits)表示一個字符,共128字符,字符值從0到127,其中32到126是可打印字符。

字符集擴展字符集

7位編碼的字符集只能支持128個字符,為了表示更多的歐洲常用字符對ASCII進行了擴展,ASCII擴展字符集使用8位(bits)表示一個字符,共256字符。
ASCII擴展字符集:它是從ASCII字符集擴充出來的,擴充後的符號增加了表格符號、計算符號、希臘字母和特殊的拉丁符號。

字符集GB2312

編輯

字符集名稱由來

GB2312又稱為GB2312-80字符集,全稱為《信息交換用漢字編碼字符集·基本集》,由原中國國家標準總局發佈,1981年5月1日實施。

字符集特點

GB2312是中國國家標準的簡體中文字符集。它所收錄的漢字已經覆蓋99.75%的使用頻率,基本滿足了漢字的計算機處理需要。在中國大陸和新加坡獲廣泛使用。

字符集包含內容

GB2312收錄簡化漢字及一般符號、序號、數字、拉丁字母、日文假名、希臘字母、俄文字母、漢語拼音符號、漢語注音字母,共 7445 個圖形字符。其中包括6763個漢字,其中一級漢字3755個,二級漢字3008個;包括拉丁字母、希臘字母、日文平假名及片假名字母、俄語西裏爾字母在內的682個全角字符

字符集技術特徵

(1)分區表示:
GB2312中對所收漢字進行了“分區”處理,每區含有94個漢字/符號。這種表示方式也稱為區位碼。
各區包含的字符如下:01-09區為特殊符號;16-55區為一級漢字,按拼音排序;56-87區為二級漢字,按部首/筆畫排序;10-15區及88-94區則未有編碼。
(2)雙字節表示
兩個字節中前面的字節為第一字節,後面的字節為第二字節。習慣上稱第一字節為“高字節” ,而稱第二字節為“低字節”。
“高位字節”使用了0xA1-0xF7(把01-87區的區號加上0xA0),“低位字節”使用了0xA1-0xFE(把01-94加上0xA0)。

字符集編碼舉例

以GB2312字符集的第一個漢字“啊”字為例,它的區號16,位號01,則區位碼是1601,在大多數計算機程序中,高字節和低字節分別加0xA0得到程序的漢字處理編碼0xB0A1。計算公式是:0xB0=0xA0+16, 0xA1=0xA0+1。

字符集BIG5

編輯

字符集名稱由來

又稱大五碼或五大碼,1984年由台灣財團法人信息工業策進會和五家軟件公司宏碁 (Acer)、神通 (MiTAC)、佳佳、零壹 (Zero One)、大眾 (FIC)創立,故稱大五碼。
Big5碼的產生,是因為當時台灣不同廠商各自推出不同的編碼,如倚天碼、IBM PS55、王安碼等,彼此不能兼容;另一方面,台灣當局當時尚未推出官方的漢字編碼,而中國大陸的GB2312編碼亦未有收錄繁體中文字。

字符集特點

Big5字符集共收錄13,053箇中文字,該字符集在中國台灣使用。耐人尋味的是該字符集重複地收錄了兩個相同的字:“兀”(0xA461及0xC94A)、“嗀”(0xDCD1及0xDDFC)。

字符集編碼方法

Big5碼使用了雙字節儲存方法,以兩個字節來編碼一個字。第一個字節稱為“高位字節”,第二個字節稱為“低位字節”。高位字節的編碼範圍0xA1-0xF9,低位字節的編碼範圍0x40-0x7E及0xA1-0xFE。
各編碼範圍對應的字符類型如下:0xA140-0xA3BF為標點符號、希臘字母及特殊符號,另外於0xA259-0xA261,存放了雙音節度量衡單位用字:兙兛兞兝兡兣嗧瓩糎;0xA440-0xC67E為常用漢字,先按筆劃再按部首排序;0xC940-0xF9D5為次常用漢字,亦是先按筆劃再按部首排序。

字符集侷限性

儘管Big5碼內包含一萬多個字符,但是沒有考慮社會上流通的人名、地名用字、方言用字、化學及生物科等用字,沒有包含日文平假名及片假名字母。
例如台灣視“着”為“著”的異體字,故沒有收錄“着”字。康熙字典中的一些部首用字(如“亠”、“疒”、“辵”、“癶”等)、常見的人名用字(如“堃”、“煊”、“栢”、“喆”等) 也沒有收錄到Big5之中。

字符集GB18030

編輯

字符集名稱由來

GB18030的全稱是GB18030-2000《信息交換用漢字編碼字符集基本集的擴充》,是我國政府於2000年3月17日發佈的漢字編碼國家標準,2001年8月31日後在中國市場上發佈的軟件必須符合本標準。

字符集特點

GB 18030字符集標準的出台經過廣泛參與和論證,來自國內外知名信息技術行業的公司,信息產業部和原國家質量技術監督局聯合實施。
GB 18030字符集標準解決漢字、日文假名、朝鮮語和中國少數民族文字組成的大字符集計算機編碼問題。該標準的字符總編碼空間超過150萬個編碼位,收錄了27484個漢字,覆蓋中文、日文、朝鮮語和中國少數民族文字。滿足中國大陸、香港台灣日本和韓國等東亞地區信息交換多文種、大字量、多用途、統一編碼格式的要求。並且與Unicode 3.0版本兼容,填補Unicode擴展字符字彙“統一漢字擴展A”的內容。並且與以前的國家字符編碼標準(GB2312,GB13000.1)兼容。

字符集編碼方法

GB 18030標準採用單字節、雙字節和四字節三種方式對字符編碼。單字節部分使用0×00至0×7F碼(對應於ASCII碼的相應碼)。雙字節部分,首字節碼從0×81至0×FE,尾字節碼位分別是0×40至0×7E和0×80至0×FE。四字節部分採用GB/T 11383未採用的0×30到0×39作為對雙字節編碼擴充的後綴,這樣擴充的四字節編碼,其範圍為0×81308130到0×FE39FE39。其中第一、三個字節編碼碼位均為0×81至0×FE,第二、四個字節編碼碼位均為0×30至0×39。

字符集包含內容

字節部分收錄內容主要包括GB13000.1全部CJK漢字20902個、有關標點符號、表意文字描述符13個、增補的漢字和部首/構件80個、雙字節編碼的歐元符號等。 四字節部分收錄了上述雙字節字符之外的,包括CJK統一漢字擴充A在內的GB 13000.1中的全部字符。

字符集Unicode

編輯

字符集名稱由來

Unicode字符集編碼是Universal Multiple-Octet Coded Character Set 通用多八位編碼字符集的簡稱,是由一個名為 Unicode 學術學會(Unicode Consortium)的機構制訂的字符編碼系統,支持現今世界各種不同語言的書面文本的交換、處理及顯示。該編碼於1990年開始研發,1992年公佈1.0.1,最新版本是2020年3月Unicode 13.0.0。 [5] 

字符集特徵

Unicode是一種在計算機上使用的字符編碼。它為每種語言中的每個字符設定了統一併且唯一的二進制編碼,以滿足跨語言、跨平台進行文本轉換、處理的要求 [2] 

字符集編碼方法

Unicode 標準始終使用十六進制數字,而且在書寫時在前面加上前綴“U+”,例如字母“A”的編碼為 0x0041 和字符“€”的編碼為 0x20AC,所以“A”、“€”的編碼書寫為“U+0041”、“U+20AC”。 [6] 

字符集UTF-8 編碼

UTF-8是Unicode的其中一個使用方式。 UTF是 Unicode Tranformation Format,即把Unicode轉做某種格式的意思。
UTF-8便於不同的計算機之間使用網絡傳輸不同語言和編碼的文字,使得雙字節的Unicode能夠在現存的處理單字節的系統上正確傳輸。
UTF-8使用可變長度字節來儲存 Unicode字符,例如ASCII字母繼續使用1字節儲存,重音文字、希臘字母或西裏爾字母等使用2字節來儲存,而常用的漢字就要使用3字節。輔助平面字符則使用4字節
UTF-8(8-bit Unicode Transformation Format)是一種針對Unicode的可變長度字符編碼,又稱萬國碼。由Ken Thompson於1992年創建。已經標準化為RFC 3629。UTF-8用1到6個字節編碼UNICODE字符。用在網頁上可以同一頁面顯示中文簡體繁體及其它語言(如英文,日文,韓文)。

字符集比較

UTF-16 和 UTF-32 編碼
UTF-32、UTF-16和 UTF-8 是 Unicode 標準的編碼字符集的字符編碼方案,UTF-16 使用一個或兩個未分配的 16 位代碼單元的序列對 Unicode 代碼點進行編碼;UTF-32 即將每一個 Unicode 代碼點表示為相同值的 32 位整數。

字符集漢字編碼字符集

編輯
漢字編碼字符集是按照一組無歧義的規則而定義的漢字字彙的有序集合。其中每一個漢字與它的代碼表示之間都具有一一對應的關係。在信息技術中用於漢字信息的表示、交換、傳輸、處理、存儲、輸入及顯現。在國際標準化組織 ISO 的定義中,“無歧義的規則”是很重要的,制定這些規則的目的是為了確保編碼的唯一性,避免重碼。它包括下列一些內容:
編碼目標:專用還是通用,僅僅用於信息交換,還是也可用於信息處理。
編碼體系結構,編碼的空間的安排。
收字原則:確定收入什麼字彙。
排序方式:漢字在字符集中排列的規則。
是否分級:怎樣分級。
編碼原則:基本上按字形編碼。為此需要制定認同或甄別的規則以及對特例的約定。
與其它編碼字符集的對應關係。
實際上, 在信息技術中漢字編碼字符集無一例外地還包含非漢字的符號與拉丁文、 希臘文、 西里爾文等其它文種的字符。或者與其它更多文種的字符並存於一個龐大的編碼字符集 [3] 

字符集其他釋義

編輯
字符集是指用來組織、控制或表示數據項的字母、數字以及計算機能識別的符號。例如,紙帶或穿孔卡片上的輸入符號,各種輸出設備的控制和輸出符號,終端設備上的鍵盤字符以及存儲在存儲區中,供處理機存、取和識別的符號。
高級語言能識別的,並在語法上有意義的所有字符的集合,稱為該語言的字符集。一般微型計算機的BASIC語言字符集,含字符約60個,包括拉丁字母、十進制數碼、運算符、圓括號、比較符、標點符號及某些特殊符號($、#等)。其他符號(包括漢字)則可以按規定的辦法,作為字符型數據來處理。
各種字符(包括標點符號)要按語法組合成有確切含義的成份,構成數據項、指令、語句以至程序段。計算機語言中各種符號的使用,要比自然語言中更嚴格。 [4] 
參考資料