汉字编码字符集-人类语言技术研究所-苏州大学.PPT

7.3.2 ISO 10646和Unicode 由于 Unicode技术委员会成员的实力和影响力 Unicode方案的科学性 Unicode技术委员会对WG2持续的游说和施压 WG2改用Unicode的编码方式： 所有字符的码长均等同 进行连续编码 不再避开C0和C1区 WG2在1991年10月达成了协议 将Unicode并入ISO10646，成为ISO 10646的第0字面 7.3.4 UCS-4 ISO10646的正规形式为32位 4个八位字节，称为UCS-4 组（Group）：128组（组号为00～7Fh） 面（Plane）: 256面（面号为00～FFh） 行（Row）：256行（行号为00～FFh） 位（Cell）： 256位（位号为00～FFh） 编码的Bit31（即首字节最高位）必须为0 7.3.5 ISO 10646的编码空间 ISO10646编码空间总共为： 256×128＝32768个字面 每个字面为256×256－2＝65534个编码位置 合计65534×32768＝2147418112个编码位置 ISO10646规定，每个字面的最后两个编码位置FFFEh和FFFFh保留不用 7.3.6 编码结构示意图 7.3.7 基本多文种字面 基本多文种字面(Basic Multi-lingual Plane, BMP) ： ISO10646的第0组第0字面（组和面的值都为00h） 编码字元与Unicode相同。 UCS-2：只用BMP，每个字符只用16位编码 BMP(Unicode)编码 0000～007Fh：基本拉丁字母区 0000～001Fh为C0控制码 0020h为空格（space） 0021～007Eh为ASCII图形字符 007Fh为控制码DEL 把前8位去掉即8位ASCII码 0080～00A0h：控制码区 0080～009Fh为C1控制码 00A0h为不中断空格（no-break space） 拼音文字区 00A1～1FFFh：拼音文字区 除基本拉丁字母以外的各种拼音文字 欧洲各国语言 希腊文 斯拉夫语文 希伯来文 阿拉伯文 亚美尼亚文 马来文 等 符号区 2000～28FFh：符号区 标点符号 上下标 钱币符号 数字 箭头 数学符号 工程符号 光学辨识符号 …… 中日韩符号区 2E80～33FFh：中日韩符号区 康熙字典部首 中日韩辅助部首 注音符号 日本假名和日本的假名组合 韩文音符 中日韩的符号 标点 带圈或带括符文数字、月份、单位、年号、 月份、日期、时间等 中日韩符号区 中日韩认同表意文字区 3400～4DFFh 中日韩认同表意文字扩充A区 总计收容6,582个中日韩汉字 4E00～9FFFh 中日韩认同表意文字区 收容20,902个中韩汉字 中日韩认同表意文字区 其它区 AC00～D7FFh：韩文拼音组合字区 D800～DFFFh：S区（代理区），专门用於UTF-16 E000～F8FFh：专用字区，保留供使用者自行添加 F900～FAFFh：中日韩相容表意文字区 专用字面和辅助字面 除BMP，其余32767字面分为: 专用字面(Private Use Planes) 供用户自己定义ISO 10646中未收录的字符，共有8226个 包括00h组的0Fh、10h、E0h－FFh号34个字面，以及60h－7Fh组内的全部字面 辅助字面(Supplementary Planes) 供WG2陆续定义各国文字字符 24541个字面 00h组字面示意图 使用字面 除BMP，WG2仅使用： 00h组中的01h和02h号字面 第01h号字面：定义BMP内未收集的各国非表意文字和符号 第02h号字面：定义BMP内未收集的各国表意文字和符号，如： CJK表意文字扩充B区，共计42807个汉字 CNS11643兼容字符区，共计527个字符 Unicode明确提出，只会使用00h组前17个字面（即00h－10h号字面） 版本 ISO 10646:1993 即：Unicode 2.0、GB13000.1 收录20902个汉字 ISO 10646:2000 即：Unicode 3.0、GB13000.2 收录27484个汉字 ISO 10646:2003 即：Unicode 4.0、GB13000.3 收录70198个汉字，加符号共96243个 版本(续) ISO/IEC 10646:2003 plus Amendment 1,2,3 Unicode 5.0 71226汉字，加符号共98884 ISO/IEC 10646:2011 Unicode 6.0 75616汉字，加符号共109242 Unicode 6.2 （最新） 2012.4 75