数字媒体及应用55.ppt

第五章 数字媒体及应用;学习目标与要求;5.1 文本与文本处理;文字与文本 ;文本处理过程 ;5.1.1 字符的编码;西文字符的编码;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。 基本的ASCII字符集共有128个字符 96个可打印字符（常用字母、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）;标准ASCII码是七位的编码，但字节是计算机中最基本的处理单位，故以一个字节来存放一个ASCII字符。每个字节中多出来的一位一般保持为“0”，在数据传输时可用作奇偶校验位。 扩充ASCII字符集：标准ASCII字符集只有128个不同的字符，在很多应用中无法满足要求。按照ISO2022标准（《七位字符集的代码扩充技术》）的规定，ISO陆续制定了一批适用于不同地区的扩充ASCII字符集，每个扩充ASCII字符集分别可以扩充128个字符，这些扩充字符的编码均是高位为1的8位代码（十进制数128～255），称为扩展ASCII码。;;（1）GB2312-80汉字编码 《信息交换用汉字编码字符集·基本集》(GB2312-80) 组成： 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） 第二部分：一级常用汉字，共3755个， 按汉语拼音排列 第三部分：二级常用字，共3008个， 按偏旁部首排列;（1）GB2312-80汉字编码 区位码：GB2312国标字符集构成一个二维平面，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01010011;（1）GB2312-80汉字编码;（1）GB2312-80汉字编码 国标交换码: 问题：信息通信中，汉字的区位码与通信使用的控制码（00H～1FH）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（即二进制0010 0000）。 经过这样处理得到的代码称为汉字的“??标交换码”（简称交换码）。因此，“大”字的交换码是:01110011。; （1）GB2312-80汉字编码 机内码： 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11110011（B4F3）;高位字节(7位)：qqq qqqq = 0qqq qqqq(区号) 低位字节(7位)：www wwww = 0www wwww(位号) 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 0010 0001 机内码： B0 A1H = 30 21H ＋80 80H 1011 0000 1010 0001;（1）GB2312-80汉字编码 GB2312汉字内 码在双字节代 码空间中，其 码位分布于右 下角的1/4象限 ;（2）GBK汉字内码扩充规范 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个图形符号，它与GB2312国标汉字字符集及其内码保持兼容。 GBK/1：GB2312中的符号；GBK/2：GB2312中的全部汉字； GBK/4和GBK/3：包括繁体字在内的大量汉字；GBK/5：符号。 例如計算機係等繁体汉字和冃冄円冇鎔等生僻的汉字。 ;（2）GBK汉字内码扩充规范 组成：21003个汉字，883个图形符号 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239