字符编码简介摘要.ppt

主讲人：薛 波 字符集（Charset）：一个系统支持的所有抽象字符的集合。字符是各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等。 字符编码（Character Encoding）：是一套法则，使用该法则能够对自然语言的字符的一个集合（如字母表或音节表），与其他东西的一个集合（如号码或电脉冲）进行配对。即在符号集合与数字系统之间建立对应关系，它是信息处理的一项基本技术。通常人们用符号集合（一般情况下就是文字）来表达信息。而以计算机为基础的信息处理系统则是利用元件（硬件）不同状态的组合来存储和处理信息的。元件不同状态的组合能代表数字系统的数字，因此字符编码就是将符号转换为计算机可以接受的数字系统的数，称为数字代码。 常见字符集名称：ASCII字符集、GB2312字符集、BIG5字符集、GB18030字符集、Unicode字符集等。计算机要准确的处理各种字符集文字，需要进行字符编码，以便计算机能够识别和存储各种文字。 ASCII ASCII (American?Standard?Code for?Information?Interchange，美国信息交换标准代码)是基于拉丁字母的一套电脑编码系统。 ASCII编码：将ASCII字符集转换为计算机可以接受的数字系统的数的规则。使用7位（bits）表示一个字符，共128字符；但是7位编码的字符集只能支持128个字符，为了表示更多的欧洲常用字符对ASCII进行了扩展，ASCII扩展字符集使用8位（bits）表示一个字符，共256字符 ASCII字符集：主要包括控制字符（回车键、退格、换行键等）；可显示字符（英文大小写字符、阿拉伯数字和西文符号）。 GB2312 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。 编码规则： GB2312，或GB2312-80。中国国家标准简体中文字符集，中国国家标准总局发布。GB2312编码通行于中国大陆；新加坡等地也采用此编码。中国大陆几乎所有的中文系统和国际化的软件都支持GB2312。GB2312的出现，基本满足了汉字的计算机处理需要，它所收录的汉字已经覆盖中国大陆99.75%的使用频率。对于人名、古汉语等方面出现的生僻字，GB2312不能处理，导致了后来GBK及GB18030汉字字符集的出现。 GB18030 GB18030特点： 与UTF-8相同，采用多字节编码，每个字可以由1个、2个或4个字节组成 编码空间庞大，可以定义161万个字符 支持中国国内少数民族的文字，不需要动用造字区 汉字收录范围包含繁体汉字以及日韩汉字 GB18030，全称国家标准GB18030-2005《信息技术中文编码字符集》，是中华人民共和国现时最新的内码字集。与GB2312-80完全兼容，与GBK基本兼容，支持GB13000及Unicode的全部统一汉字。 Big5 Big5，又称为大五码或五大码，是使用繁体中文（正体中文）社区中最常用的电脑汉字字符集标准，共收录13,060个汉字。Big5虽普及于台湾、香港与澳门等繁体中文通行区，但长期以来并非当地的国家标准，而只是业界标准。 Big5码是一套双字节字符集，使用了双八码存储方法，以两个字节来安放一个字。第一个字节称为高位字节，第二个字节称为低位字节。高位字节使用了0x81-0xFE，低位字节使用了0x40-0x7E，及0xA1-0xFE。 Unicode编码（UTF-32/16/8） 使用4字节的数字来表达每个字母、符号，或者表意文字(ideograph)，每个数字代表唯一的至少在某种语言中使用的符号的编码方案，称为UTF-32。UTF-32又称UCS-4是一种将Unicode字符编码的协定，对每个字符都使用4字节。就空间而言，是非常没有效率的。 UTF-32 UTF-16 尽管有Unicode字符非常多，但是实际上大多数人不会用到超过前65535个以外的字符。因此，就有了另外一种Unicode编码方式，叫做UTF-16(因为16位 = 2字节)。UTF-16将0–65535范围内的字符编码成2个字节，如果真的需要表达那些很少使用的超过这65535范围的Unicode字符，则需要使用一些诡异的技巧来实现。 Unicode编码（UTF-32/16/8） UTF-8 UTF-8（8-bit Unicode Transformation Format）是一种针对Unicode的可变长度字符编码，也是一种前缀码。它可以用来表示Unicode标准