Unicode 筆記 Unicode note

本網頁以打造無障礙閱讀為目標，可以用任何瀏覽器來觀看本網頁

Unicode(統一碼/標準萬國碼):簡介

1. Unicode(統一碼)以２byte表達，共有65536種組合，是ISO-10646 UCS(UniversalCharacter Set,世界通用字集)的子集，截至v4.0.0為止收錄了有4144種字元集。
2. Unicode不同版本的標準都收錄在 ftp.unicode.org，最新版本都收錄在ftp.unicode.org/UNIDATA，版本編號為4.0.0。
3. Unicode的分布可由ftp://ftp.unicode.org/Public/UNIDATA/UnicodeData.txt(830k)取得。
4. Unicode皆以16進位,開頭以"U+"表示，如U+4E00(注意，不是0x4E00)。
5. Unicode 只是一個字形和內碼上的標準，並沒有定義實際在電腦上存取的方法，因此Unicode協會便定義了一整套的電腦存取Unicode編碼的轉換格式，並考慮了與其它編碼方式兼容，稱之為UTF(Unicode/UCS Transformation Format,統一碼/通用字集變換格式)。常用的格式有UTF-8和UTF-16
6. UTF-16基本上就是Unicode雙byte編碼的實現，再加上一個應付未來擴充需求的編碼機制(但很少用)。
7. UTF-8是一種不等幅的編碼方式，可能需要1,2,3個bytes來儲存，ascii字元不需做轉換，保持原狀﹔但其他的語文資料則須透過程式來做轉換，容量會因每個自需要額外多用１~2個bytes來編碼而變大。
8. UTF-8的轉換(Unicode->UTF-8)

           U+0000~U+007F (1 byte,128個)    0+７bits                          [2^7=128]
   
           U+0080~U+07FF (2 byte,1920個)   110+５bits,  10+６bits            [2^11=2048]
   
           U+0800~U+FFFF (3 bytes,63488個) 1110+４bits, 10+６bits,10+６bits  [2^16=65536]
   
          --------------------------------
   
           U+0000~U+FFFF    共６５５３６個
          ================================
         

Unihan(統漢字)

1. 在可能情形下，Unicode 企圖合併語言中的重複部分，雙位元組部份將中日韓文加以整合(CJK Unification)，稱為Unihan(統漢字)。
2. 目前最新的Unihan database其Unicode version為3.2.0，Table version為1.1，釋出日期為2002/03/15。
3. Unihan資料庫在ftp://ftp.unicode.org/Public/UNIDATA/Unihan.zip(4.96mb)，解壓縮後大約25mb。
4. Unicode中Unihan分布於U+3400~U+9FFF與U+F900~U+FAFF的空間，共28160個，其他為另外的國家或特殊符號所使用。
5. Windows2000/XP上的記事本程式可儲存與編輯Unicode,UTF-8等格式。
6. big5碼與Unicode的對應可經由擷取Unihan的資料庫得知big5碼與Unicode碼的對應，共收錄13063個big5碼。
   #grep KBigFive Unihan.txt | sort | > KBigFive.txt //under linux

網路資源

主 網 站：http://peterju.notlong.com (目前轉址至 http://irw.ncut.edu.tw/peterju/)

| | | | | |
This work is licensed under a Creative Commons License