wǒ men miàn lín de jī běn wèn tí shì shì jiè shàng de shū xiě yǔ yán bù néng jiǎn dān dì yòng 256 gè 8 wèi yuán dài mǎ biǎo shì。 yǐ qián de jiě jué fāng 'àn bāo kuò nèi mǎ biǎo hé dbcs yǐ bèi zhèng míng shì bù néng mǎn zú xū yào de, ér qiě yě shì bèn zhuō de。 nà shénme cái shì zhēn zhèng de jiě jué fāng 'àn ní?
shēn wéi chéng shì xiě zuò zhě, wǒ men jīng lì guò zhè lèi wèn tí。 rú guǒ shì qíng tài duō, yòng 8 wèi yuán shù zhí yǐ jīng bù néng biǎo shì, nà me wǒ men jiù shì gèng kuān de zhí, lì rú 16 wèi yuán zhí。 ér qiě zhè hěn yòu qù de, zhèng shì unicode bèi zhì dìng de yuán yīn。 yǔ hùn luàn de 256 gè zì yuán dài mǎ yìng shè, yǐ jí hán yòu yī xiē 1 wèi yuán zǔ dài mǎ hé yī xiē 2 wèi yuán zǔ dài mǎ de shuāng wèi yuán zǔ zì yuán jí bù tóng, unicode shì tǒng yī de 16 wèi yuán xì tǒng, zhè yàng jiù yǔn xǔ biǎo shì 65,536 gè zì yuán。 zhè duì biǎo shì suǒ yòu zì yuán jí shì jiè shàng shǐ yòng xiàng xíng wén zì de yǔ yán, bāo kuò yī xì liè de shù xué、 fú hào hé huò bì dān wèi fú hào de jí hé lái shuō shì chōng yù de。
míng bái unicode hé dbcs zhī jiān de qū bié hěn zhòng yào。 unicode shǐ yòng( tè bié zài c chéng shì shè jì yǔ yán huán jìng lǐ) 「 kuān zì yuán jí 」。「 unicode zhōng de měi gè zì yuán dōushì 16 wèi yuán kuān 'ér bù shì 8 wèi yuán kuān。」 zài unicode zhōng, méi yòu dān dān shǐ yòng 8 wèi yuán shù zhí de yì yì cún zài。 xiāng bǐ zhī xià, zài shuāng wèi yuán zǔ zì yuán jí zhōng wǒ men réng rán chǔlǐ 8 wèi yuán shù zhí。 yòu xiē wèi yuán zǔ zì shēn dìng yì zì yuán, ér mǒu xiē wèi yuán zǔ zé xiǎn shì xū yào hé lìng yī gè wèi yuán zǔ gòng tóng dìng yì yī gè zì yuán。
chǔlǐ dbcs zì chuàn fēi cháng zá luàn, dàn shì chǔlǐ unicode wén zì zé xiàng chǔlǐ yòu zhì xù de wén zì。 nín yě xǔ huì gāo xīng dì zhī dào qián 128 gè unicode zì yuán( 16 wèi yuán dài mǎ cóng 0x0000 dào 0x007f) jiù shì ascii zì yuán, ér jiē xià lái de 128 gè unicode zì yuán( dài mǎ cóng 0x0080 dào 0x00ff) shì iso8859-1 duì ascii de kuò zhǎn。 unicode zhōng bù tóng bù fēn de zì yuán dū tóng yàng jī yú xiàn yòu de biāo zhǔn。 zhè shì wèile biàn yú zhuǎn huàn。 xī là zì mǔ biǎo shǐ yòng cóng 0x0370 dào 0x03ff de dài mǎ, sī lā fū yǔ shǐ yòng cóng 0x0400 dào 0x04ff de dài mǎ, měi guó shǐ yòng cóng 0x0530 dào 0x058f de dài mǎ, xī bó lái yǔ shǐ yòng cóng 0x0590 dào 0x05ff de dài mǎ。 zhōng guó、 rì běn hé hán guó de xiàng xíng wén zì( zǒng chēng wéi cjk) zhàn yòng liǎo cóng 0x3000 dào 0x9fff de dài mǎ。
unicode de zuì dà hǎo chù shì zhè lǐ zhǐ yòu yī gè zì yuán jí, méi yòu yī diǎn hán hú。 unicode shí jì shàng shì gè rén diàn nǎo hángyè zhōng jīhū měi gè zhòng yào gōng sī gòng tóng hé zuò de jiēguǒ, bìng qiě tā yǔ iso10646-1 biāo zhǔn zhōng de dài mǎ shì yī yī duì yìng de。 unicode de zhòng yào cān kǎo wén xiàn shì《 theunicodestandard, version2.0》( addison-wesley chū bǎn shè, 1996 nián)。 zhè shì yī běn tè bié de shū, tā yǐ qí tā wén jiàn shǎo yòu de fāng shì xiǎn shì liǎo shì jiè shàng shū xiě yǔ yán de fēng fù xìng hé duō yàng xìng。 cǐ wài, gāi shū hái tí gōng liǎo kāi fā unicode de jī běn yuán lǐ hé xì jié。
unicode yòu quē diǎn má? dāng rán yòu。 unicode zì chuàn zhàn yòng de jì yì tǐ shì ascii zì chuàn de liǎng bèi。( rán 'ér yā suō dàng 'àn yòu zhù yú jí dà dì jiǎn shǎo dàng 'àn suǒ zhàn de cí dié kōng jiān。) dàn yě xǔ zuì zāo de quē diǎn shì: rén men xiāng duì lái shuō hái bù xí guàn shǐ yòng unicode。 shēn wéi chéng shì xiě zuò zhě, zhè jiù shì wǒ men de gōng zuò。 |
|
|