汉字编码与地理信息系统建设研究.pdfVIP

汉字编码与地理信息系统建设 海军海洋测绘研究所1李宏利2李汉荣3 天津市友谊路40号300061 引言 地理信息系统(GIS)是近三十年来随着计算机技术的飞速发展而发展的--f-j学科，从其本质和 内在发展规律而言，它不仅是技术，而且是科学，是发展地球系统科学不可或缺的部分，现已广泛深入 到各行各业。地理信息系统之所以一枝独秀，正如陈述彭先生所言，主要是由于它本身具备着多样化的 社会功能。地理信息系统建设中的一个重要工作就是信息采集，信息主要源于各种比例尺的纸质或数字 的地图／海图和数字测量资料，数据更新手段主要是航天／航空遥感技术或其他自动化测量技术。地理信 息通常讲包括两大部分，一是描述物标位置的空间信息，二是描述物标性质的属性信息，其实还有一部 分是文字注记，由注记的文字内容和注记的位置、方式组成。无论是属性还是注记，它们都是由字符(字 母、数字、汉字等)构成。对字符进行规范化、标准化编码，是地理信息采集的基础。然而目前各行业 地理信息系统建设中对GB2312．80以外的汉字编码很少重视，造成生僻汉字的共享困难，数据交流存在 着隐患。本文针对上述问题，重点介绍汉字编码的沿革，详细分析地理信息系统建设中汉字编码不统一 的原因和危害，最后给出地理信息系统建设中汉字编码问题的解决办法。 1．汉字编码标准的沿革 中华文明，源远流长。汉字从商周时代的甲骨文演变到当代横平竖直的方块字，经历了数千年的漫 长进程，是使用最久、使用人口最多的文字。汉字不仅中国使用，而且早就影响到亚洲许多国家，如日 本、韩国、新加坡等。他们使用与中国相同的汉字字形，释义和发音有的有变化，有的则完全照搬中文。 汉字数量随着时间的推移而不断增加，西汉的《仓颉篇》仅有3300个汉字，东汉的《说文解字》 收录了9353个汉字，清朝的《康熙字典》突破47000个，现在的《汉语大字典》高达54678个，如果 把各地小范围流通使用的地名、物名、人名用字全部收集，总数大约有9万。尽管汉字数量如此庞大， 但常用汉字却是有限的。《毛泽东选集》一至四卷，总字数超过66万，也只用了2891个不同的字。郭 沫若先生曾说过：“汉字的数目大体上有五万多字的光景……，目前一般知识分子日常所使用的大概有 五、六千。”也就是说绝大多数汉字仅在古籍资料中才能见到。 汉字是汉语国家信息交流的媒介，如果说2225年前秦始皇统一中国，实行“书同文”的政策，促 进了古代中华文明的跨越式发展，那么信息化社会的今天，做到“字同码”，将对现代中华文明产生深 远影响。 计算机汉字编码标准是地理信息系统建设必须遵循的标准，近三十年来发展很快。标准分两部分， 一是汉字库标准，二是输入法标准，前者规范了汉字的存储，后者解决了汉字的输入。本文只讨论汉字 库标准。计算机能够输入多少汉字，这与软件和字库有关。依据不同的标准，字库中汉字的数量是不同 的。按时间顺序，主要标准有： (1)GB 2312-80《信息交换用汉字编码字符集一基本集》 从1975年开始，我国为了研究汉字的使用频度，进行了大规模的字频统计，在数以亿计的浩翰文 99．9％， 献资料中，统计出实际使用的汉字数为6335个，而其中有3000多个汉字的累计使用频度达NT 338 2312．80《信息交换用汉字编码字符集一基本集》，选入6763个汉字，一级字库中有3755 布了国家标准GB 个，是常用汉字，二级字库中有3008个，是次常用汉字：此外还选入了682个字符，包括数字、一般 符号、拉丁字母、日本假名、希腊字母、俄文字母、拼音符号、注音字母等。该标准以两字节的十迸制 区位码定义汉字，码长为四位，前两位为区码，后两位为位码。共分94个区，每区94个位。1-9区为 字符，16．87区为汉字，其余为用户自定义区。 WINDOWS 字库都是该标准字库。遇到“镕、嘹、彝……”等生僻汉字，既无法输入，又不能打印，更不能处理繁体 汉字。 (2) 《汉字内码扩展规范》 《汉字内码扩展规范》俗称GBK码，又称汉字大字符集，是继GB2312-80以后的一个汉字编码的 IntemMCode 重要标准，英文名称Chinese Specifica