統一碼

黃金富先生髮明的輸入平台

統一碼由黃金富先生經過20多年研究文字輸入而發明,顧名思義發展目標是要“統一”輸入法,統一鍵盤,統一檢索。也叫萬國碼、單一碼(Unicode)是計算機科學領域裡的一項業界標準,包括字符集、編碼方案等。Unicode是為了解決傳統的字元編碼方案的局限而產生的。1994年正式發布1.0版本,2020年發布13.0版本。

簡介


各編碼形容各言,各合語言。
語言環境,語言編碼衝突,在同屏下,可以顯示任何語言的內容,這就是Unicode的最大好處。就是將世界上所有的文字用2個位元組統一進行編碼。那樣,像這樣統一編碼,2個位元組就已經足夠容納世界上所有的語言的大部分文字了。
" -   ",簡稱UCS
現在用的是UCS-2,即2個位元組編碼,而UCS-4是為了防止將來2個位元組不夠用才開發的。
Unicode(統一碼、萬國碼、單一碼)是一種在計算機上使用的字元編碼。它為每種語言中的每個字元設定了統一併且唯一的二進位編碼,以滿足跨語言、跨平台進行文本轉換、處理的要求。1990年開始研發,1994年正式公布。隨著計算機工作能力的增強,Unicode也在面世以來的十多年裡得到普及。
Unicode是基於通用字符集(Universal Character Set)的標準來發展,並且同時也以書本的形式(The Unicode Standard,目前第五版由Addison-Wesley Professional出版,ISBN-10:0321480910)對外發表。
2006年6月的最新版本的Unicode是2005年3月31日推出的Unicode4.1.0。另外,5.0Beta已於2005年12月12日推出,以供各會員評價。
將來只要你用的是統一碼輸入平台,就可以在各種不同的設備上輸入各國文字,無論使用的是電腦,手機,掌上電腦,遙控器或者是電腦大鍵盤右邊的數字小鍵盤等,它們的輸入方式是完全相同的。不需要重新學習,容易方便. 電腦上使用的輸入方法,可以直接應用到使用數字鍵盤的移動通信設備上,根本上解決了現在使用不同設備要學習不同輸入法的困難和不方便。
進一步將統一碼的編碼原理應用在各種文字的檢索,就是“統一碼數字檢索法”,每個字都有一個統一碼的數字編碼,實現了“見字立即知頁碼,翻到該頁找到字,鍵盤輸入打到字”的理想。
統一碼軟體專註於研究和開發具有預測功能的智能文字輸入解決方案。我們申請的21項專利技術主要是針對解決移動小終端,例如手機,掌上電腦,遙控等各種電子設備,現時小鍵盤文字輸入方面的缺陷和不足。目標是提供可應用於提高數字鍵盤輸入速度,容易度和準確度的解決方案.統一碼突破性的方案能夠為設備生產商提高手機的可用性,為網路供應商驅動相關服務和提高收入,為廣大消費者帶來溝通的便利。現時統一碼提供的是“自助式”服務,用戶可以免費下載。
統一碼的中文輸入方案,統一碼中文輸入平台(Uti Chinese platform)相容了兩岸三地最常用的七種漢字編碼:1拼音、2筆順、3微軟五筆、4英譯中、5廣東拼音、6倉頡速成、7注音,以“見字即按即上技術”相互使用,無須轉換輸入法,無須按“結束”鍵。兼容簡體,繁體,並有,單字,片語,句子預測聯想功能。統一碼中文輸入平台是現時唯一將電腦中文輸入法移植到移動終端的文字輸入方案.更重要的是,用戶可以自行切換和更改手機輸入語言,實現擁有自主選擇輸入法的權力。
統一碼的技術可應用於各國文字。解決方案可應用於手機,掌上電腦,遙控器和電腦等設備。

編碼和實現


大概來說,Unicode編碼系統可分為編碼方式和實現方式兩個層次。

編碼方式

Unicode是國際組織制定的可以容納世界上所有文字和符號的字元編碼方案。Unicode用數字0-0x10FFFF來映射這些字元,最多可以容納1114112個字元,或者說有1114112個碼位。碼位就是可以分配給字元的數字。UTF-8、UTF-16、UTF-32都是將數字轉換到程序數據的編碼方案。
Unicode字符集可以簡寫為UCS(Unicode Character Set)。早期的Unicode標準有UCS-2、UCS-4的說法。UCS-2用兩個位元組編碼,UCS-4用4個位元組編碼。UCS-4根據最高位為0的最高位元組分成2^7=128個group。每個group再根據次高位元組分為256個平面(plane)。每個平面根據第3個位元組分為256行(row),每行有256個碼位(cell)。group0的平面0被稱作BMP(Basic Multilingual Plane)。將UCS-4的BMP去掉前面的兩個零位元組就得到了UCS-2。
每個平面有2^16=65536個碼位。Unicode計劃使用了17個平面,一共有17*65536=1114112個碼位。在Unicode 5.0.0版本中,已定義的碼位只有238605個,分佈在平面0、平面1、平面2、平面14、平面15、平面16。其中平面15和平面16上只是定義了兩個各佔65534個碼位的專用區(Private Use Area),分別是0xF0000-0xFFFFD和0x100000-0x10FFFD。所謂專用區,就是保留給大家放自定義字元的區域,可以簡寫為PUA。
平面0也有一個專用區:0xE000-0xF8FF,有6400個碼位。平面0的0xD800-0xDFFF,共2048個碼位,是一個被稱作代理區(Surrogate)的特殊區域。代理區的目的用兩個UTF-16字元表示BMP以外的字元。在介紹UTF-16編碼時會介紹。
如前所述在Unicode5.0.0版本中,238605-65534*2-6400-2408=99089。餘下的99089個已定義碼位分佈在平面0、平面1、平面2和平面14上,它們對應著Unicode目前定義的99089個字元,其中包括71226個漢字。平面0、平面1、平面2和平面14上分別定義了52080、3419、43253和337個字元。平面2的43253個字元都是漢字。平面0上定義了27973個漢字。

實現方式

在Unicode中:漢字“字”對應的數字是23383。在Unicode中,我們有很多方式將數字23383表示成程序中的數據,包括:UTF-8、UTF-16、UTF-32。UTF是“UCS Transformation Format”的縮寫,可以翻譯成Unicode字符集轉換格式,即怎樣將Unicode定義的數字轉換成程序數據。例如,“漢字”對應的數字是0x6c49和0x5b57,而編碼的程序數據是:
BYTE data_utf8[] = {0xE6, 0xB1, 0x89, 0xE5, 0xAD, 0x97}; // UTF-8編碼
WORD data_utf16[] = {0x6c49, 0x5b57}; // UTF-16編碼
DWORD data_utf32[] = {0x6c49, 0x5b57}; // UTF-32編碼
這裡用BYTE、WORD、DWORD分別表示無符號8位整數,無符號16位整數和無符號32位整數。UTF-8、UTF-16、UTF-32分別以BYTE、WORD、DWORD作為編碼單位。“漢字”的UTF-8編碼需要6個位元組。“漢字”的UTF-16編碼需要兩個WORD,大小是4個位元組。“漢字”的UTF-32編碼需要兩個DWORD,大小是8個位元組。根據位元組序的不同,UTF-16可以被實現為UTF-16LE或UTF-16BE,UTF-32可以被實現為UTF-32LE或UTF-32BE。下面介紹UTF-8、UTF-16、UTF-32、位元組序和BOM。
UTF-8
UTF-8以位元組為單位對Unicode進行編碼。從Unicode到UTF-8的編碼方式如下:
Unicode編碼(16進位) ║ UTF-8 位元組流(二進位)
F ║ 0xxxxxxFF ║ 110xxxxx 10xxxFFFF ║ 1110xxxx 10xxxxxx 10xxx10FFFF ║ 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
UTF-8的特點是對不同範圍的字元使用不同長度的編碼。對於0x00-0x7F之間的字元,UTF-8編碼與ASCII編碼完全相同。UTF-8編碼的最大長度是4個位元組。從上表可以看出,4位元組模板有21個x,即可以容納21位二進位數字。Unicode的最大碼位0x10FFFF也只有21位。
例1:“漢”字的Unicode編碼是0x6C49。0x6C49在0x0800-0xFFFF之間,使用用3位元組模板了:1110xxxx 10xxxxxx 10xxxxxx。將0x6C49寫成二進位是:1001,用這個比特流依次代替模板中的x,得到:11100110 ,即E6 B1 89。
例2:Unicode編碼0x20C30在0x010000-0x10FFFF之間,使用用4位元組模板了:11110xxx 10xxxxxx 10xxxxxx 10xxxxxx。將0x20C30寫成21位二進位數字(不足21位就在前面補0):0 0011 0000,用這個比特流依次代替模板中的x,得到:,即F0 A0 B0 B0。
UTF-16
UTF-16編碼以16位無符號整數為單位。我們把Unicode編碼記作U。編碼規則如下:
如果U<0x10000,U的UTF-16編碼就是U對應的16位無符號整數(為書寫簡便,下文將16位無符號整數記作WORD)。
如果U≥0x10000,我們先計算U'=U-0x10000,然後將U'寫成二進位形式:yyyy yyyy yyxx xxxx xxxx,U的UTF-16編碼(二進位)就是:110110yyyyyyyyyy 110111xxxxxxxxxx。
為什麼U'可以被寫成20個二進位位?Unicode的最大碼位是0x10ffff,減去0x10000后,U'的最大值是0xfffff,所以肯定可以用20個二進位位表示。例如:Unicode編碼0x20C30,減去0x10000后,得到0x10C30,寫成二進位是:000011 0000。用前10位依次替代模板中的y,用后10位依次替代模板中的x,就得到:11011001 1101000,即0xD843 0xDC30。
按照上述規則,Unicode編碼0x10000-0x10FFFF的UTF-16編碼有兩個WORD,第一個WORD的高6位是110110,第二個WORD的高6位是110111。可見,第一個WORD的取值範圍(二進位)是到11111111,即0xD800-0xDBFF。第二個WORD的取值範圍(二進位)是到11011111 11111111,即0xDC00-0xDFFF。
為了將一個WORD的UTF-16編碼與兩個WORD的UTF-16編碼區分開來,Unicode編碼的設計者將0xD800-0xDFFF保留下來,並稱為代理區(Surrogate):
D800-DB7F ║ High Surrogates ║ 高位替代
DB80-DBFF ║ High Private Use Surrogates ║ 高位專用替代
DC00-DFFF ║ Low Surrogates ║ 低位替代
高位替代就是指這個範圍的碼位是兩個WORD的UTF-16編碼的第一個WORD。低位替代就是指這個範圍的碼位是兩個WORD的UTF-16編碼的第二個WORD。那麼,高位專用替代是什麼意思?我們來解答這個問題,順便看看怎麼由UTF-16編碼推導Unicode編碼。
如果一個字元的UTF-16編碼的第一個WORD在0xDB80到0xDBFF之間,那麼它的Unicode編碼在什麼範圍內?我們知道第二個WORD的取值範圍是0xDC00-0xDFFF,所以這個字元的UTF-16編碼範圍應該是0xDB80 0xDC00到0xDBFF 0xDFFF。我們將這個範圍寫成二進位:
110100 - 11
按照編碼的相反步驟,取出高低WORD的后10位,並拼在一起,得到
0 1111 1111 1111 1111
即0xe0000-0xfffff,按照編碼的相反步驟再加上0x10000,得到0xf0000-0x10ffff。這就是UTF-16編碼的第一個WORD在0xdb80到0xdbff之間的Unicode編碼範圍,即平面15和平面16。因為Unicode標準將平面15和平面16都作為專用區,所以0xDB80到0xDBFF之間的保留碼位被稱作高位專用替代。
UTF-32
UTF-32編碼以32位無符號整數為單位。Unicode的UTF-32編碼就是其對應的32位無符號整數。
位元組序
根據位元組序的不同,UTF-16可以被實現為UTF-16LE或UTF-16BE,UTF-32可以被實現為UTF-32LE或UTF-32BE。例如:
Unicode編碼 ║ UTF-16LE ║ UTF-16BE ║ UTF32-LE ║ UTF32-BE
0x006C49 ║ 49 6C ║ 6C 49 ║ 49 6C 00 00 ║ 00 00 6C 49
0x020C30 ║ 43 D8 30 DC ║ D8 43 DC 30 ║ 30 0C 02 00 ║ 00 02 0C 30
那麼,怎麼判斷位元組流的位元組序呢?Unicode標準建議用BOM(Byte Order Mark)來區分位元組序,即在傳輸位元組流前,先傳輸被作為BOM的字元"零寬無中斷空格"。這個字元的編碼是FEFF,而反過來的FFFE(UTF-16)和FFFE0000(UTF-32)在Unicode中都是未定義的碼位,不應該出現在實際傳輸中。下表是各種UTF編碼的BOM:
UTF編碼 ║ Byte Order Mark
UTF-8 ║ EF BB BF
UTF-16LE ║ FF FE
UTF-16BE ║ FE FF
UTF-32LE ║ FF FE 00 00
UTF-32BE ║ 00 00 FE FF
基本上,計算機只是處理數字。它們指定一個數字,來儲存字母或其他字元。在創造Unicode之前,有數百種指定這些數字的編碼系統。沒有一個編碼可以包含足夠的字元:例如,單單歐州共同體就[1][2]需要好幾種不同的編碼來包括所有的語言。即使是單一種語言,例如英語,也沒有哪一個編碼可以適用於所有的字母,標點符號,和常用的技術符號。這些編碼系統也會互相衝突。也就是說,兩種編碼可能使用相同的數字代表兩個不同的字元,或使用不同的數字代表相同的字元。任何一台特定的計算機(特別是伺服器)都需要支持許多不同的編碼,但是,不論什麼時候數據通過不同的編碼或平台之間,那些數據總會有損壞的危險。

ASCII碼


大多數計算機採用ASCII碼(美國標準信息交換碼),它是表示所有大小寫字母、數字、標點符號和控制字元的7位編碼方案。統一碼(Unicode)包含ASCII碼,'\u0000'到'\u007F'對應全部128個ACSII字元。在JAVA中可以使用統一碼。

編碼範圍


註:
4E00-9FBF:CJK 統一表意符號 (CJK Unified Ideographs)
0000-007F:C0控制符及基本拉丁文 (C0 Control and Basic Latin)
0080-00FF:C1控制符及拉丁文補充-1 (C1 Control and Latin 1 Supplement)
0100-017F:拉丁文擴展-A (Latin Extended-A)
0180-024F:拉丁文擴展-B (Latin Extended-B)
0250-02AF:國際音標擴展 (IPA Extensions)
02B0-02FF:空白修飾字母 (Spacing Modifiers)
0300-036F:結合用讀音符號 (Combining Diacritics Marks)
0370-03FF:希臘文及科普特文 (Greek and Coptic)
0400-04FF:西里爾字母 (Cyrillic)
0500-052F:西里爾字母補充 (Cyrillic Supplement)
0530-058F:亞美尼亞語 (Armenian)
0590-05FF:希伯來文 (Hebrew)
0600-06FF:阿拉伯文 (Arabic)
0700-074F:敘利亞文 (Syriac)
0750-077F:阿拉伯文補充 (Arabic Supplement)
0780-07BF:馬爾地夫語 (Thaana)
07C0-077F:西非書面語言 (N'Ko)
0800-085F:阿維斯塔語及巴列維語 (Avestan and Pahlavi)
0860-087F:Mandaic
0880-08AF:撒馬利亞語 (Samaritan)
0900-097F:天城文書 (Devanagari)
0980-09FF:孟加拉語 (Bengali)
0A00-0A7F:錫克教文 (Gurmukhi)
0A80-0AFF:古吉拉特文 (Gujarati)
0B00-0B7F:奧里亞文 (Oriya)
0B80-0BFF:泰米爾文 (Tamil)
0C00-0C7F:泰盧固文 (Telugu)
0C80-0CFF:卡納達文 (Kannada)
0D00-0D7F:德拉維族語 (Malayalam)
0D80-0DFF:僧伽羅語 (Sinhala)
0E00-0E7F:泰文 (Thai)
0E80-0EFF:寮國文 (Lao)
0F00-0FFF:藏文 (Tibetan)
1000-109F:緬甸語 (Myanmar)
10A0-10FF:喬治亞語 (Georgian)
1100-11FF:朝鮮文(Hangul Jamo)
1200-137F:衣索比亞語 (Ethiopic)
1380-139F:衣索比亞語補充 (Ethiopic Supplement)
13A0-13FF:切羅基語 (Cherokee)
1400-167F:統一加拿大土著語音節 (Unified Canadian Aboriginal Syllabics)
1680-169F:歐甘字母 (Ogham)
16A0-16FF:如尼文 (Runic)
1700-171F:塔加拉語 (Tagalog)
1720-173F:Hanunóo
1740-175F:Buhid
1760-177F:Tagbanwa
1780-17FF:高棉語 (Khmer)
1800-18AF:蒙古文(Mongolian)
18B0-18FF:Cham
1900-194F:Limbu
1950-197F:德宏泰語 (Tai Le)
1980-19DF:新傣仂語 (New Tai Lue)
19E0-19FF:高棉語記號 (Kmer Symbols)
1A00-1A1F:Buginese
1A20-1A5F:Batak
1A80-1AEF:Lanna
1B00-1B7F:巴厘語 (Balinese)
1B80-1BB0:巽他語 (Sundanese)
1BC0-1BFF:Pahawh Hmong
1C00-1C4F:雷布查語(Lepcha)
1C50-1C7F:Ol Chiki
1C80-1CDF:曼尼普爾語 (Meithei/Manipuri)
1D00-1D7F:語音學擴展 (Phonetic Extensions)
1D80-1DBF:語音學擴展補充 (Phonetic Extensions Supplement)
1DC0-1DFF:結合用讀音符號補充 (Combining Diacritics Marks Supplement)
1E00-1EFF:拉丁文擴充附加 (Latin Extended Additional)
1F00-1FFF:希臘語擴充 (Greek Extended)
2000-206F:常用標點 (General Punctuation)
2070-209F:上標及下標 (Superscripts and Subscripts)
20A0-20CF:貨幣符號 (Currency Symbols)
20D0-20FF:組合用記號 (Combining Diacritics Marks for Symbols)
2100-214F:字母式符號 (Letterlike Symbols)
2150-218F:數字形式 (Number Form)
2190-21FF:箭頭 (Arrows)
2200-22FF:數學運算符 (Mathematical Operator)
2300-23FF:雜項工業符號 (Miscellaneous Technical)
2400-243F:控制圖片 (Control Pictures)
2440-245F:光學識別符 (Optical Character Recognition)
2460-24FF:封閉式字母數字 (Enclosed Alphanumerics)
2500-257F:製表符 (Box Drawing)
2580-259F:方塊元素 (Block Element)
25A0-25FF:幾何圖形 (Geometric Shapes)
2600-26FF:雜項符號 (Miscellaneous Symbols)
2700-27BF:印刷符號 (Dingbats)
27C0-27EF:雜項數學符號-A (Miscellaneous Mathematical Symbols-A)
27F0-27FF:追加箭頭-A (Supplemental Arrows-A)
2800-28FF:盲文點字模型 (Braille Patterns)
2900-297F:追加箭頭-B (Supplemental Arrows-B)
2980-29FF:雜項數學符號-B (Miscellaneous Mathematical Symbols-B)
2A00-2AFF:追加數學運算符 (Supplemental Mathematical Operator)
2B00-2BFF:雜項符號和箭頭 (Miscellaneous Symbols and Arrows)
2C00-2C5F:格拉哥里字母 (Glagolitic)
2C60-2C7F:拉丁文擴展-C (Latin Extended-C)
2C80-2CFF:古埃及語 (Coptic)
2D00-2D2F:喬治亞語補充 (Georgian Supplement)
2D30-2D7F:提非納文 (Tifinagh)
2D80-2DDF:衣索比亞語擴展 (Ethiopic Extended)
2E00-2E7F:追加標點 (Supplemental Punctuation)
2E80-2EFF:CJK 部首補充 (CJK Radicals Supplement)
2F00-2FDF:康熙字典部首 (Kangxi Radicals)
2FF0-2FFF:表意文字描述符 (Ideographic Description Characters)
3000-303F:CJK 符號和標點 (CJK Symbols and Punctuation)
3040-309F:日文平假名(Hiragana)
30A0-30FF:日文片假名(Katakana)
3100-312F:注音字母 (Bopomofo)
3130-318F:朝鮮文兼容字母 (Hangul Compatibility Jamo)
3190-319F:象形字註釋標誌 (Kanbun)
31A0-31BF:注音字母擴展 (Bopomofo Extended)
31C0-31EF:CJK 筆畫 (CJK Strokes)
31F0-31FF:日文片假名語音擴展 (Katakana Phonetic Extensions)
3200-32FF:封閉式 CJK 文字和月份 (Enclosed CJK Letters and Months)
3300-33FF:CJK 兼容 (CJK Compatibility)
3400-4DBF:CJK 統一表意符號擴展 A (CJK Unified Ideographs Extension A)
4DC0-4DFF:易經六十四卦符號 (Yijing Hexagrams Symbols)
4E00-9FBF:CJK 統一表意符號 (CJK Unified Ideographs)
A000-A48F:彝文音節 (Yi Syllables)
A490-A4CF:彝文字根 (Yi Radicals)
A500-A61F:Vai
A660-A6FF:統一加拿大土著語音節補充 (Unified Canadian Aboriginal Syllabics Supplement)
A700-A71F:聲調修飾字母 (Modifier Tone Letters)
A720-A7FF:拉丁文擴展-D (Latin Extended-D)
A800-A82F:Syloti Nagri
A840-A87F:八思巴字 (Phags-pa)
A880-A8DF:Saurashtra
A900-A97F:爪哇語 (Javanese)
A980-A9DF:Chakma
AA00-AA3F:Varang Kshiti
AA40-AA6F:Sorang Sompeng
AA80-AADF:Newari
AB00-AB5F:越南傣語 (Vi?t Thái)
AB80-ABA0:Kayah Li
AC00-D7AF:朝鮮文音節 (Hangul Syllables)
D800-DBFF:High-half zone of UTF-16
DC00-DFFF:Low-half zone of UTF-16
E000-F8FF:自行使用區域 (Private Use Zone)
F900-FAFF:CJK 兼容象形文字 (CJK Compatibility Ideographs)
FB00-FB4F:字母表達形式 (Alphabetic Presentation Form)
FB50-FDFF:阿拉伯表達形式A (Arabic Presentation Form-A)
FE00-FE0F:變數選擇符 (Variation Selector)
FE10-FE1F:豎排形式 (Vertical Forms)
FE20-FE2F:組合用半符號 (Combining Half Marks)
FE30-FE4F:CJK 兼容形式 (CJK Compatibility Forms)
FE50-FE6F:小型變體形式 (Small Form Variants)
FE70-FEFF:阿拉伯表達形式B (Arabic Presentation Form-B)
FF00-FFEF:半型及全型形式 (Halfwidth and Fullwidth Form)
FFF0-FFFF:特殊 (Specials)