第2章-文本课件.pptVIP

ISO/IEC 10646 (UCS) ISO/IEC 10646 即“通用编码字符集”（Universal Coded Character Set，简称UCS）, 相应的工业标准称为“Unicode”，两者完全兼容。 设计目标： 实现所有字符在同一字符集中等长编码、同等使用的真正多文种信息处理。 1993、2000分别发布标准的第１部分(ISO/IEC 10646.1:1993和10646.1:2000)，对应的中国国家标准是GB 13000.1。第2部分(ISO/IEC 10646.2)也已发布。 UCS的体系结构 在 UCS 中每一个字符用 4 个字节编码，对应着每个字符在编码空间的组号、平面号、行号和字位号。 UCS的代码空间 基本多文种平面(BMP) 辅助平面 专用平面 UCS的00 组 UCS的BMP 平面 BMP 平 面 的 拼 音 文 字 区 UCS的两种编码形式 (1)肆八位 正则形式，记作 UCS-4 比如: 汉字“一”的正则形式为 00 00 4E 00（缺点：浪费存储空间，也不便于在网络上传输。） (2)双八位 也称为BMP 形式，记作 UCS-2仅适用于基本多文种平面。如，“一”的双八位形式为4E00；控制字符ESC为001B。 (省略组号和平面号(均为 00H) ，形成了一个双字节编码的字符集，它是UCS的子集) UCS的变形显现形式之一 ——UTF-8 为了与原8-bit系统保持向下兼容，UCS还可以采用8位编码，即采用单字节表示ASCII字符，这种可变长编码称为“UTF-8”（UCS Transformation Form – 8） UTF－8（可变长形式编码)， 单字节: ASCII字符（from 20 to 7E） 双字节: 2万多汉字 四字节:扩充汉字 可以保持与传统ASCII文本的兼容性。 UCS的变形显现形式之二 ——UTF-16 为了扩大字符集的容量，在UCS文本中还允许插入一些4字节的UCS-4字符. 在BMP平面中保留了2个有1024个位置的块（D800 到 DFFF），这些位置不能用来表示任何符号， 从每一块中各选一个数字所组成的这些数字对，可用来表示多达100万个UCS-4字符。 这种编码方式面向双字节，允许4字节编码，称为“UTF-16”（ UCS Transformation Form – 16 ），这是一种处理效率与存储容量折中的编码方案。 Unicode的应用 Unicode给全世界各个国家和地区使用的每个字符提供了一个唯一的编码 Unicode标准已经被IBM, Microsoft, Apple, HP, Oracle, SAP, Sun, Sybase和其它许多公司所采用，最新的许多软件标准都需要Unicode，例如XML, Java, CORBA 3.0, WML等，许多操作系统、所有最新的浏览器和许多其他产品都支持Unicode。 Unicode标准的出现和采用，是近些年来全球软件技术最重要的发展趋势之一。 UCS/Unicode与汉字编码 ——GB18030-2000 与现有的绝大多数汉字操作系统、中文平台在计算机内码一级兼容，即与国家标准GB 2312信息处理交换码所对应的事实上的内码标准兼容 在字汇上支持UCS/Unicode (GB13000.1-1993)的全部中、日、韩（CJK）统一汉字字符和全部CJK统一汉字扩充A的字符。 同时收录了藏文、蒙文、维吾尔文等主要的少数民族文字，为推进少数民族的信息化奠定了坚实的基础。 该标准由信息产业部和国家质量技术监督局在2000年联合发布的，并在2001年开始执行。 GB18030-2000的编码 采用单字节、双字节和四字节三种方式对字符编码。 GB18030-2000的应用 2001年，微软公司发行的操作系统简体中文版Windows XP遵守了新颁布的国家标准GB18030-2000， 微软的办公软件简体中文版（Office XP）则捆绑了方正集团的大字库，收字达到64000个。 然而，仍有许多中文信息处理软件还没有支持GB18030-2000标准，甚至没有支持GBK规范，对于人名、地名中的昇、昈、昉、镕、珺、喆等看似生僻而实际上并不生僻的字无法处理。 小结1 GB2312-80 (GB12345-90) GB18030-2000 GBK CJK汉字字汇 兼 容 不兼容? UCS/Unicode GBK GB2312 内码区 GB18030 汉字扩展区 小结2 编码字符集(coded character set) 按某种规则编码的字符的有