- 中國和歐美床上用品的標準尺寸對比 [2013/07]
- 豬肉各部位的食用方法 [2010/05]
- 加拿大人的收入稅比對錶 [2014/02]
- 胸口疼的原因分析與處理意見 [2014/11]
- 什麼原因會導致心跳加快？ [2013/05]
- 北美常見水產品中英文對照及吃法（網路更正版） [2009/08]
- 加拿大海洋三省自駕游全攻略 [2011/08]
- 北美市場9種品牌的「骨膠原」對比 [2014/04]
- 鯽魚、鰂魚、鯛魚的區別 [2010/05]
- TB皮試陽性的判斷及處理 [2011/11]
- 中國人說英語為什麼聽起來沒有禮貌？ [2010/12]
- 為什麼很多人對基督教比較反感？ [2010/10]
- 世界各地的粽子集錦 [2019/06]
- 為什麼海外華人回國要裝窮？ [2010/09]
- 對「異議」與「民運」人士的心理剖析 [2011/01]
- 國籍與愛國 [2009/06]
- 貝殼村「中秋圓月攝影有獎大賽」 [2009/09]
- 貝殼村發展史 [2010/09]
- 貝殼村村旗（草案） [2011/01]
- 2012貝殼村「多倫多夏令營」活動報道 [2012/07]
中日韓統一漢字，標識為Unicode，也叫中日韓統一表意文字，英語：CJK Unified Ideographs（CJK就是中日韓的英文首字母），也稱統漢字（Unihan）。1990年代初，ISO 10646制訂時，來自台灣的代表提出相同形式的中日韓漢字給以統一編碼（Unify，ISO術語稱為認同），可以大量節省編碼空間，獲其他代表接納。
中日韓統一表意文字，目的是要把分別來自中文、日文、韓文、越文中，本質相同、形狀一樣或稍異的表意文字（主要為漢字，但也有仿漢字如方塊壯字、日本國字、韓國獨有漢字、越南的喃字）於ISO 10646及Unicode標準內賦予相同編碼。越南文後來加入此計劃，所以亦有 CJKV（中日韓越統一表意文字）的稱呼。Unicode亦開始收錄越漢字－－喃字。有關Unihan Code Charts的信息，見網頁：
http://www.unicode.org/
http://www.unicode.org/charts/unihan.html。
其中，ISO 10646 版本1993，相當於Unicode 版本1.0，收錄漢字20,914個；ISO 10646 版本2003第八修訂版，相當於Unicode 版本5.2，收錄漢字74,525個。
最初期的統一漢字（20,902字）字源來自以下字集：中國大陸的G源、台灣的T源、日本的J源以及韓國的K源。此外，還有擴展A區，包含有6,582個新的漢字，位置在 U+3400-U+4DB5；擴展B區，包含有42,711個新的漢字，位置在 U+20000-U+2A6D6。另外，在 U+2F800-U+2FA1D 的位置，放了542個來自台灣的兼容漢字；擴展C區，收錄4,149個漢字，包括來自中國大陸、澳門、台灣、日本、越南等尚未被編碼的漢字。位置在 U+2A700-U+2B734；擴展D區，編碼範圍為 U+2B740-U+2B81E,編碼223個漢字；擴展E區，即之前的擴展D區計劃收錄的漢字，因為急用漢字（UNC）被放置在擴展D區，所以之前計劃的擴展D區改為擴展E區。
已統一的漢字，原則上ISO 10646隻對字（Character），而非字形（Glyph）編碼。同一字各地可使用自己的標準寫法。使用HTML標示同一編碼的字在不同地區中的寫法（但只是讀者電腦提供的字型，未必代表該地區的標準寫法）。沒有統一的漢字，有些字只是同一字在不同地區的寫法，理應統一，但因為字源分離原則而只好分開編碼。值得注意的是字源分離原則由「Unicode聯盟決定把不正統的編入位於基本多文種平面的 『相容表意文字區』（Compatibility Ideographs）」時起廢棄，原因是CNS中有太多字形非常接近，按 Unicode 標準應該統一的字。這些字只有正統的會編入正式字集（包括擴展A、B、C區）中，不正統的編入位於「第二輔助平面」的「相容表意文字補充區」（Compatibility Ideographs Supplement）中。
為什麼要使用Unicode文字編碼呢？
Windows系統的電腦中，所有文件的漢字都是採用8、16、32等進位數據進行編碼的（漢字無疑是世界上最複雜的文字）。當漢字顯示出來時（暫且不考慮如何輸入的），Windows首先將文本數據轉換到它內部使用的編碼格式：Unicode，然後按照文本的Unicode去字體文件中查找字體圖像，最後將圖像顯示到窗口上。所謂編碼，就是用數字錶示字元，例如用D7D6表示「字」。當然，編碼還意味著約定，即大家都認可。
在Unicode被廣泛使用前，有多少種語言、文字，就可能有多少種文字編碼方案。一種文字也可能有多種編碼方案。我們可以看到記事本支持4種編碼格式：ANSI、Unicode、Unicode big endian、UTF-8。Unicode、Unicode big endian、UTF-8，其實它們更準確的名稱應該是UTF-16LE（Little Endian）、UTF-16BE（Big Endian）和UTF-8，它們是基於Unicode的不同編碼方案。
這裡要涉及代碼頁（Code Page）這個古老的專業術語，據說是IBM公司首先使用的。代碼頁和字符集的含義基本相同，代碼頁規定了適用於特定地區的字符集合，和這些字元的編碼。可以將代碼頁理解為字元和位元組數據的映射表。Windows為自己支持的代碼頁都編了一個號碼。例如代碼頁936就是簡體中文 GBK，代碼頁950就是繁體中文 Big5。代碼頁的概念比較簡單，就是一個字元編碼方案。但要說清楚Windows的ANSI代碼頁，就要從Windows的區域（Locale）說起了。
微軟為了適應世界上不同地區用戶的文化背景和生活習慣，在Windows中設計了區域（Locale）設置的功能。Local是指特定於某個國家或地區的一組設定，包括代碼頁，數字、貨幣、時間和日期的格式等。在Windows內部，其實有兩個Locale設置：系統 Locale和用戶Locale。系統Locale決定代碼頁，用戶Locale決定數字、貨幣、時間和日期的格式。我們可以在控制面板的「區域和語言選項」中設置系統Locale和用戶Locale：每個Locale都有一個對應的代碼頁。系統Locale對應的代碼頁被作為Windows的默認代碼頁。在沒有文本編碼信息時，Windows按照默認代碼頁的編碼方案解釋文本數據。這個默認代碼頁通常被稱作ANSI代碼頁（ACP）。
在Windows 2000以後，Windows統一採用UTF-16作為內部字元編碼。現在，安裝一個代碼頁就是安裝一張代碼頁轉換表。通過代碼頁轉換表，Windows 既可以將代碼頁的編碼轉換到UTF-16，也可以將UTF-16轉換到代碼頁的編碼。代碼頁轉換表的具體實現可以是一個以nls為後綴的數據文件，也可以是一個提供轉換函數的動態鏈接庫。有的代碼頁是不需要安裝的。例如：Windows將UTF-7和UTF-8分別作為代碼頁65000和代碼頁 65001。UTF-7、UTF-8和UTF-16都是基於Unicode的編碼方案。它們之間可以通過簡單的演算法直接轉換，不需要安裝代碼頁轉換表。
在安裝過一個代碼頁后，Windows就知道怎樣將該代碼頁的文本轉換到Unicode文本，也知道怎樣將Unicode文本轉換成該代碼頁的文本。其實，如果全世界人民在計算機剛發明時就統一採用Unicode作為字元編碼，那麼代碼頁就沒有存在的必要了。可惜在 Unicode被發明前，世界各國人民都發明並使用了各種字元編碼方案。所以，Windows必須通過代碼頁支持已經被廣泛使用的字元編碼。從這種意義看，代碼頁主要是為了兼容現有的數據、程序和習慣而存在的。
再談Unicode
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）。group 0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。
先看一些數字：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。其實，現在已定義的碼位只有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。它的用途將在4.2節介紹。
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。
UCD是Unicode字元資料庫（Unicode Character Database）的縮寫。UCD由一些描述Unicode字元屬性和內部關係的純文本或html文件組成。UCD中的文本文件大都是適合於程序分析的Unicode相關數據。其中的html文件解釋了資料庫的組織，數據的格式和含義。UCD中最龐大的文件無疑就是描述漢字屬性的文件Unihan.txt。在UCD 5.0,0中，Unihan.txt文件大小有28,221K位元組。Unihan.txt中包含了很多有參考價值的索引，例如漢字部首、筆劃、拼音、使用頻度、四角號碼排序等。這些索引都是基於一些比較權威的辭典，但大多數索引只能檢索部分漢字。
以上這些闡述，我也不是很明白，無非是要表明一點，即CJKV漢字（中日韓越統一表意文字），只是一個電腦漢字字元的編碼，而且已經得到全世界的公認。這個編碼為世界各國使用漢字的人們提供了學習和交流的平台，但與任何政治的、感情的、傳統的因素無關。
（本專輯全部結束）
（收集）
中日韓統一表意文字，目的是要把分別來自中文、日文、韓文、越文中，本質相同、形狀一樣或稍異的表意文字（主要為漢字，但也有仿漢字如方塊壯字、日本國字、韓國獨有漢字、越南的喃字）於ISO 10646及Unicode標準內賦予相同編碼。越南文後來加入此計劃，所以亦有 CJKV（中日韓越統一表意文字）的稱呼。Unicode亦開始收錄越漢字－－喃字。有關Unihan Code Charts的信息，見網頁：
http://www.unicode.org/
http://www.unicode.org/charts/unihan.html。
其中，ISO 10646 版本1993，相當於Unicode 版本1.0，收錄漢字20,914個；ISO 10646 版本2003第八修訂版，相當於Unicode 版本5.2，收錄漢字74,525個。
最初期的統一漢字（20,902字）字源來自以下字集：中國大陸的G源、台灣的T源、日本的J源以及韓國的K源。此外，還有擴展A區，包含有6,582個新的漢字，位置在 U+3400-U+4DB5；擴展B區，包含有42,711個新的漢字，位置在 U+20000-U+2A6D6。另外，在 U+2F800-U+2FA1D 的位置，放了542個來自台灣的兼容漢字；擴展C區，收錄4,149個漢字，包括來自中國大陸、澳門、台灣、日本、越南等尚未被編碼的漢字。位置在 U+2A700-U+2B734；擴展D區，編碼範圍為 U+2B740-U+2B81E,編碼223個漢字；擴展E區，即之前的擴展D區計劃收錄的漢字，因為急用漢字（UNC）被放置在擴展D區，所以之前計劃的擴展D區改為擴展E區。
已統一的漢字，原則上ISO 10646隻對字（Character），而非字形（Glyph）編碼。同一字各地可使用自己的標準寫法。使用HTML標示同一編碼的字在不同地區中的寫法（但只是讀者電腦提供的字型，未必代表該地區的標準寫法）。沒有統一的漢字，有些字只是同一字在不同地區的寫法，理應統一，但因為字源分離原則而只好分開編碼。值得注意的是字源分離原則由「Unicode聯盟決定把不正統的編入位於基本多文種平面的 『相容表意文字區』（Compatibility Ideographs）」時起廢棄，原因是CNS中有太多字形非常接近，按 Unicode 標準應該統一的字。這些字只有正統的會編入正式字集（包括擴展A、B、C區）中，不正統的編入位於「第二輔助平面」的「相容表意文字補充區」（Compatibility Ideographs Supplement）中。
為什麼要使用Unicode文字編碼呢？
Windows系統的電腦中，所有文件的漢字都是採用8、16、32等進位數據進行編碼的（漢字無疑是世界上最複雜的文字）。當漢字顯示出來時（暫且不考慮如何輸入的），Windows首先將文本數據轉換到它內部使用的編碼格式：Unicode，然後按照文本的Unicode去字體文件中查找字體圖像，最後將圖像顯示到窗口上。所謂編碼，就是用數字錶示字元，例如用D7D6表示「字」。當然，編碼還意味著約定，即大家都認可。
在Unicode被廣泛使用前，有多少種語言、文字，就可能有多少種文字編碼方案。一種文字也可能有多種編碼方案。我們可以看到記事本支持4種編碼格式：ANSI、Unicode、Unicode big endian、UTF-8。Unicode、Unicode big endian、UTF-8，其實它們更準確的名稱應該是UTF-16LE（Little Endian）、UTF-16BE（Big Endian）和UTF-8，它們是基於Unicode的不同編碼方案。
這裡要涉及代碼頁（Code Page）這個古老的專業術語，據說是IBM公司首先使用的。代碼頁和字符集的含義基本相同，代碼頁規定了適用於特定地區的字符集合，和這些字元的編碼。可以將代碼頁理解為字元和位元組數據的映射表。Windows為自己支持的代碼頁都編了一個號碼。例如代碼頁936就是簡體中文 GBK，代碼頁950就是繁體中文 Big5。代碼頁的概念比較簡單，就是一個字元編碼方案。但要說清楚Windows的ANSI代碼頁，就要從Windows的區域（Locale）說起了。
微軟為了適應世界上不同地區用戶的文化背景和生活習慣，在Windows中設計了區域（Locale）設置的功能。Local是指特定於某個國家或地區的一組設定，包括代碼頁，數字、貨幣、時間和日期的格式等。在Windows內部，其實有兩個Locale設置：系統 Locale和用戶Locale。系統Locale決定代碼頁，用戶Locale決定數字、貨幣、時間和日期的格式。我們可以在控制面板的「區域和語言選項」中設置系統Locale和用戶Locale：每個Locale都有一個對應的代碼頁。系統Locale對應的代碼頁被作為Windows的默認代碼頁。在沒有文本編碼信息時，Windows按照默認代碼頁的編碼方案解釋文本數據。這個默認代碼頁通常被稱作ANSI代碼頁（ACP）。
在Windows 2000以後，Windows統一採用UTF-16作為內部字元編碼。現在，安裝一個代碼頁就是安裝一張代碼頁轉換表。通過代碼頁轉換表，Windows 既可以將代碼頁的編碼轉換到UTF-16，也可以將UTF-16轉換到代碼頁的編碼。代碼頁轉換表的具體實現可以是一個以nls為後綴的數據文件，也可以是一個提供轉換函數的動態鏈接庫。有的代碼頁是不需要安裝的。例如：Windows將UTF-7和UTF-8分別作為代碼頁65000和代碼頁 65001。UTF-7、UTF-8和UTF-16都是基於Unicode的編碼方案。它們之間可以通過簡單的演算法直接轉換，不需要安裝代碼頁轉換表。
在安裝過一個代碼頁后，Windows就知道怎樣將該代碼頁的文本轉換到Unicode文本，也知道怎樣將Unicode文本轉換成該代碼頁的文本。其實，如果全世界人民在計算機剛發明時就統一採用Unicode作為字元編碼，那麼代碼頁就沒有存在的必要了。可惜在 Unicode被發明前，世界各國人民都發明並使用了各種字元編碼方案。所以，Windows必須通過代碼頁支持已經被廣泛使用的字元編碼。從這種意義看，代碼頁主要是為了兼容現有的數據、程序和習慣而存在的。
再談Unicode
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）。group 0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。
先看一些數字：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。其實，現在已定義的碼位只有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。它的用途將在4.2節介紹。
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。
UCD是Unicode字元資料庫（Unicode Character Database）的縮寫。UCD由一些描述Unicode字元屬性和內部關係的純文本或html文件組成。UCD中的文本文件大都是適合於程序分析的Unicode相關數據。其中的html文件解釋了資料庫的組織，數據的格式和含義。UCD中最龐大的文件無疑就是描述漢字屬性的文件Unihan.txt。在UCD 5.0,0中，Unihan.txt文件大小有28,221K位元組。Unihan.txt中包含了很多有參考價值的索引，例如漢字部首、筆劃、拼音、使用頻度、四角號碼排序等。這些索引都是基於一些比較權威的辭典，但大多數索引只能檢索部分漢字。
以上這些闡述，我也不是很明白，無非是要表明一點，即CJKV漢字（中日韓越統一表意文字），只是一個電腦漢字字元的編碼，而且已經得到全世界的公認。這個編碼為世界各國使用漢字的人們提供了學習和交流的平台，但與任何政治的、感情的、傳統的因素無關。
（本專輯全部結束）
（收集）
- [11/12] 漢字世界（9） 中日韓統一漢字
- [11/12]Dumpling是什麼東東？
- [11/13]「愛情超市」十二大基本定律
- [11/13]生活變遷（之七）：麵粉、麵條、饅頭
- [11/14]生活變遷（之八）：吃早飯、吃早點、喝早酒
- [11/14]生活變遷（之九）：手絹、紙巾、餐巾紙
- [11/15]生活變遷（之十）：書包、背包、錢包
- [11/15]生活變遷（之十一）：自行車、摩托車、小車
- [10/20]頭頂漩渦與指紋漩渦的旋轉方向
- [01/05]小說：永遠的巨蟹座愛人（上集）
- [01/05]小說：永遠的巨蟹座愛人（下集）
- [08/22]如何看懂英文的驗血化驗單？
- [08/22]英文化驗單的參考值範圍
- 查看：[kylelong的.最新博文]
- 查看：[大家的.最新博文]
- 查看：[大家的.其它日誌]
發表評論 評論 (10 個評論)
kylelong最受歡迎的博文
其它[其它日誌]博文更多
- kylelong：英文化驗單的參考值範圍
- kylelong：如何看懂英文的驗血化驗單？
- kylelong：小說：永遠的巨蟹座愛人（下集）
- kylelong：頭頂漩渦與指紋漩渦的旋轉方向
- kylelong：世界各地的粽子集錦
- kylelong：關於「諾貝爾獎勵基金」的事實與推理
- kylelong：媽媽咪語錄大全
- kylelong：女人如書
- kylelong：愛情工程流程詳解
- kylelong：腦神經疾病的預防與食療
- kylelong：人在旅途
- kylelong：人民幣是如何印刷出來的
- kylelong：愛
- kylelong：知心愛人
- 翰山：辯證反思6.4：主要應該政府負責
- kylelong：綠色熒光蛋白轉基因魚的發育過程（2）
- kylelong：綠色熒光蛋白轉基因魚的發育過程（1）
- kylelong：酒窩的傳說
- 翰山：戰士的第二故鄉
- 翰山：《童年的讀書經歷》 （中：反叛篇）