第6集的文字稿

站长

001.
在上一集里我们说过，为了让所有国家和地区都能编码自己的字符，国际标准化组织ISO和国际电工协会IEC联合搞了个标准ISO/IEC 2022：《信息技术  字符代码结构 与扩充技术》。在我国，与ISO/IEC 2022等同的标准是GB 2311。


ISO/IEC 2022和GB 2311是个字符编码的标准，不是字符集的标准。接下来，轮到每个国家自己制定字符集及其编码方案了。


002.
1980年，我国制定并颁布了第一个字符集的国家标准，全称是《信息交换用汉字编码字符集-基本集》，标准代号GB2312-80，简称gb2312。这里的GB就是国标的意思，国家标准。


当然了，这个标准是有局限性的，随着时间的推移和技术的进步，它已经无法满足新的需求，所以后来又制定了新的字符集标准，自2017年3月23日起，gb2312标准转为推荐性标准gb/t 2312-1980。这个t就是推荐的意思。


下面我们来认识一下gb2312字符集。<对照网页解读>


003.
如果把字符集看成是一张表，那么，形成字符集的过程就是收集字符，并按顺序填写在这个表中。第一个字符是什么，第二个字符是什么，第三个字符是什么，等等，是一个一个确定的。但实际上，GB2312并不是这样的。


004.
回顾一下ISO/IEC 2022和GB 2311标准，每个国家和地区的字符编码可以是两个连续的7比特，但每个7比特的编码值只能位于G区。即，每个7比特的编码值只能是介于32和127之间，共94个码位。


005.
因为这个原因，同时也是为了将来给字符编码的时候方便，gb2312字符集采用区位的方式收集字符。如果把gb2312字符集看成一张白纸，那么，这种做法是将这张白纸平分成94块，而每一块又平分成94个格子，每个格子放一个字符。


使用GB2312的术语来说，这个字符集分为94个区，每个区包含94个位置，每个位置放一个字符，所以整个字符集可以容纳94*94=8836个字符。


006.
我们来大致浏览一下每个区的字符。<对照网页讲解>


007.
现在我们就可以理解GB2312字符集为何要采用区位的方式来组织字符，因为每个字符的编码是两个7比特，那就可以将区号做为第一个7比特的值，再将位号做为第二个7比特的值，这样很方便。


008.
问题在于，区号是1到94，位号也是1到94，但ISO/IEC 2022和GB2311的规定是每个7比特的编码值必须落在G区，也就是必须大于32。因此，GB2312规定，将区号和位号分别加上32，结果就是字符编码。


009.
比如说，弧度的“弧”，区号是27，位号是1，区号和位号分别加上32，就是这个字的编码：59 33。


010.
来看GB2312的编码。在标准里说得很清楚，“编码表示：本标准对任意一个图形字符都采用两个字节表示,每个字节均采用GB1988-80及GB 2311-80中的七位编码表示。两个字节中前面的字节为第一字节，后面的字节为第二字节。”


011.
历史上，GB2312字符集的这种编码叫做ISO-2022-CN编码。上一课说了，这种编码需要搭配转码序列使用，比如我们讲过的，如果有以下7比特编码的序列：


27 40 66 50 48 50 53 27 36 40 65 68 106 27 40 66 49 27 36 40 65 84 66


那么，这一串文本流传送的是“2025年1月”。在这串文本流里使用了转码序列，用于在不同的字符集之间切换。


除了中国采用的ISO-2022-CN编码，在同一时期，日本和韩国也基于ISO/IEC 2022标准制定了自己的字符集和编码方案，分别叫做ISO-2022-JP和ISO-2022-KR。


以上编码方案是互不兼容的，因为同一个字符代码，比如65 90，可能对应着以上三个国家内的不同字符，也可能是两个ASCII字符A和Z。但是，在ISO/IEC 2022的总体方案下，应用时只要加上转码序列就可以相互区分。


在中国，ISO-2022-CN并不是最流行、使用最广泛的编码方案，以至于很多人都没听说过它。相反，业界广泛使用EUC标准来编码GB2312字符集中的字符。采用EUC标准的GB2312字符编码叫做EUC-CN编码，下一课我们专题讲一讲EUC编码方案。