西文字符的编码(24页).doc
《西文字符的编码(24页).doc》由会员分享,可在线阅读,更多相关《西文字符的编码(24页).doc(23页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、-一、二、 西文字符的编码-第 23 页三、 西文字符的编码1. 西文字符集:由拉丁字母、数字、标点符号及一些特殊符号组成。2. 字符的编码:字符集中每一个字符各有一个代码,即字符的二进制表示,称为该字符的编码。3. 字符代码表:字符集中不同字符的编码互相区别,构成该字符集的代码表。 4. ASCII字符集和ASCII码1) 美国标准信息交换码(American Standard Code for Information Interchange):使用7个二进位对字符进行编码(叫做标准ASCII码),称为ISO-646标准。2) 基本的ASCII字符集共有128个字符,96个可打印字符(常用字
2、母、数字、标点符号等)32个控制字符,特殊字符的ASCII码空格(32)、A(65)、a(97)、0(48)l 数字,字母的ASCII码是连续的,对应大小写字母ASCII码相差32。l 不同类型的ASCII码的十进制数值由小到大:数字、大写字母、小写字母3) 汉字的编码(一)l GB2312-80汉字编码A. 第一部分:字母、数字和各种符号,包括拉丁字母、俄文、日文平假名与片假名、希腊字母、汉语拼音等共682个(统称为GB2312图形符号)B. 第二部分:一级常用汉字,共3755个,按汉语拼音排列C. 第三部分:二级常用字,共3008个,按偏旁部首排列 区位码:GB2312国标字符集构成一个二
3、维平面,它分成94行、94列,行号称为区号,列号称为位号。每一个汉字或符号在码表中都有各自的位置,字符的位置用它所在的区号(行号)及位号(列号)来表示。每个汉字的区号和位号分别用1个字节来表示如:“大”字的区号20,位号83,区位码是20 83用2个字节表示为:00010100 010100114) 国标交换码:l 问题:信息通信中,汉字的区位码与通信使用的控制码(00H1FH)发生冲突。解决方案:为了避免汉字区位码与通信控制码的冲突,ISO2022规定,每个汉字的区号和位号必须分别加上32(20H)得到国标交换码。5) 机内码:l 问题:文本中的汉字与西文字符经常是混合在一起使用的,汉字信息
4、如不予以特别的标识,它与单字节的标准ASCII码就会混淆不清。解决方法:把一个汉字看作两个扩展ASCII码,使表示GB2312汉字的两个字节的最高位(b7)都等于“1”。这种高位为l的双字节(16位)汉字编码就称为GB2312汉字的“机内码”,又称内码。(如:“大”字的内码是:10110100 11110011(B4F3)l 汉字编码例l 国标码=区位码+2020Hl 机内码=国标码+8080Hl 机内码=区位码+A0A0H例如:“啊”区位码: 16 01 = 10 01H 0001 0000 0000 0001 国标码: 30 21H = 10 01H 20 20H 0011 0000 00
5、10 0001机内码: B0 A1H = 30 21H 80 80H 1011 0000 1010 00016) GBK汉字内码扩充规范l 问题:GB2312-80只有6763个汉字,使用时功能不够。解决方法:1995年发布GBK,全称为汉字内码扩展规范GBK字符集中一共有21003个汉字和883个图形l GBK字符集中的每个字符都采用双字节表示,总的编码范围为8140-FEFE,首字节在81-FE之间,尾字节在40-FE之间(剔除xx7F一条线不安排字符),总计23940个码位,共收入21886个汉字和图形符号,未使用的区域作为用户自定义区。l 应用:操作系统Windows 95以上简体中文
6、版,采用GBK代码,并提供了多种输入法和字体应用软件Office 95以上简体中文版本提供GBK码的检索和排序互联网应用许多网站的网页使用GBK代码,但目前还不是所有搜索引擎都支持 GBK 汉字文本的搜索7) UCS/Unicode与GB18030汉字编码标准 l 通用编码字符集UCS/Unicode约有6800种语言和文字在使用,需要建立一个多文种(Multilingual)处理环境在ISO2022基础上,使用代码页号切换不同字符集的方法过于繁琐,且与其他系统不兼容目标与途径:实现所有字符在同一字符集中统一编码l UCS/Unicode与GB18030汉字编码标准 优点:编码空间极大,能容纳
7、足够多的各种字符集(13亿字符)缺点:4字节的字符编码使存储空间浪费严重5. 文字与文本 1) 文本(text):文字信息在计算机中的表示形式,组成文本的基本元素是字符,字符在计算机中采用二进制编码表示。2) 文本处理过程 l 文本在计算机中的处理过程:文本的准备(例如汉字的输入),文本编辑,文本处理,文本存储与传输、文本展现等,根据应用的不同,各个处理环节的内容和 要求可能有很大的差别。l 文本信息的输入方法A. 人工输入:通过键盘、手写笔或语音输入方式输入字符特点:速度慢、成本高,不适合需处理大批量文字的应用B. 自动输入:将纸介质上的文本通过识别技术自动转换为文字的编码特点:速度快,效率
8、高C. 文字的自动识别分为:印刷体识别和手写体识别l 文本信息的输入方法由于汉字字数很多,无法使每个汉字与西文键盘上的键一一对应,因此必须使用一个或几个键来表示汉字,这就称为汉字的“键盘输入编码”。 好的汉字键盘输入编码方案的特点:易学习、易记忆、效率高(平均击键次数较少)、重码少、容量大(可输入的汉字字数多)等 汉字的输入编码与汉字的内码是不同范畴的概念。使用不同的输入编码方法向计算机输入的同一个汉字,它们的内码是相同的 数字编码:使用一串数字来表示汉字的编码方法,例如电报码、区位码等。缺点: 难以记忆,不易推广字音编码:一种基于汉语拼音的编码方法,简单易学,适合于非专业人员。缺点:同音字引
9、起的重码多,需增加选择操作字形编码:将汉字的字形分解归类而给出的编码方法,重码少、输入速度较快,如五笔字形法和表形码。缺点:编码规则不易掌握形音编码:吸取了字音编码和字形编码的优点,使编码规则适当简化、重码减少。缺点:不易掌握联机手写汉字识别(笔输入)使用语音输入文本的系统也叫做“听写机”或“语音打字机”印刷体汉字识别(汉字OCR)。印刷体汉字识别:将传统纸介质上的文字信息自动输入计算机并转换为数字文本形式的一种技术,也叫做汉字OCR(Optical Character Recognition)。l 脱机手写汉字识别:手写汉字识别。联机与脱机(手写汉字识别)的比较容易。3) 使用计算机制作的数
10、字文本,根据用途分为:简单文本、丰富格式文本和超文本三类。 l 简单文本(plain text):是由一连串的字符组成的,除了用于表达正文内容的字符(包括汉字)及“回车”、“换行”、“制表”等有限的几个打印(显示)控制字符之外,几乎不包含任何其他格式信息和结构信息。这种文本通常称为纯文本或ASCII文本,在PC机中的文件后缀名是.txt特性:呈现为一种线性结构,以行、字为单位,顺序写作与阅读是最通用的文本文件格式,文件体积小,阅读不受限制,几乎所有的文字处理软件都能识别和处理不能插入图片、表格等,不能建立超链接l 丰富格式文本丰富格式文本(rich text、fancy text、format
11、ted text),RTF格式,中间格式。l 超文本A. 超文本(hypertext)的阅读方式:传统的顺序式阅读,通过链接、跳转、导航、回溯等操作实现跳跃式阅读B. 超文本的结构节点(node)节点包含的内容超链(hyperlink)链源链宿l 超媒体(Hypermedia):超文本中的节点不单是文本节点,还包含图形、图像、声音或动画节点,这种基于多媒体信息结点的超文本,有时也称为“超媒体” l 超文本的应用:Windows等一些软件中的“帮助”文件,使用浏览器从Web服务器上下载的网页(html或htm文件),文本编辑与文本处理l “所见即所得”(What You See Is What
12、You Get, 简称WYSIWYG):一方面所有的编辑操作效果立即可以在屏幕上看到,另一方面在屏幕上看到的效果与打印机的输出结果相同。四、 图像与图形1. 图像按生成方法分类1) 从现实世界中通过数字化设备获取的图像,称为:取样图像(sampled image)、点阵图像(dot matrix image)、位图图像(bitmap image)简称图像(image)2) 计算机合成的图像(synthetic image),称为:矢量图形(vector graphics),简称图形(graphics)2. 图像的数字化1) 图像获取的过程实质上是模拟信号的数字化过程,它的处理步骤:l 扫描 l
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 西文 字符 编码 24
限制150内