Codepage的定义和历史

GEMINIGHT	注册(Register) \| 登录(Login)
看随机帖

主站(Home) » 论坛(Forum) » 程序编写(Program)

双子在线

自称：帖子发布器

等级：发贴器
帖子数：935
积分：2158
阅读权限：99

Codepage的定义和历史

1樓

Tags: Codepage

Tags引力关联贴

• Android 纯C/C++开发
• Google搜索开放源代码
• 问：通常的一个游戏，比如《异想II》，它采用一种什么方式的设计模式(design patte
• Ogre引擎相关的资料
• TCP/IP协议做服务器,http协议做客户端的实现
• 版主才是我见过的真正的高手交个朋友好吗
• [转贴] 一种简单、快速、高效的多边形减面算法
• Xcode 12.4 BT下载
• [动画视频]VC++OPENGL游戏制作新人教程
• Unity3D引擎的视频教程

字符内码(charcter code)指的是用来代表字符的内码.读者在输入和存储文档时都要使用内码,内码分为

单字节内码 -- Single-Byte character sets (SBCS),可以支持256个字符编码. \N
双字节内码 -- Double-Byte character sets)(DBCS),可以支持65000个字符编码.主要用来对大字符集的东方文字进行编码.

codepage 指的是一个经过挑选的以特定顺序排列的字符内码列表,对于早期的单字节内码的语种,codepage中的内码顺序使得系统可以按照此列表来根据痰氖淙胫蹈鲆桓龆杂Φ哪诼?对于双字节内码,则给出的是MultiByte到Unicode的对应表,这样就可以把以Unicode形式存放的字符转化为相应的字符内码,或者反之,在Linux核心中对应的函数就是utf8_mbtowc和utf8_wctomb.

在1980年前,仍然没有任何国际标准如ISO-8859或Unicode来定义如何扩展US-ASCII编码以便非英语国家的用户使用.很多IT 厂商发明了他们自己的编码,并且使用了难以记忆的数目来标识:

例如936代表简体中文. 950代表繁体中文.

1.1 CJK Codepage

同 Extended Unix Coding ( EUC )编码大不一样的是,下面所有的远东 codepage 都利用了C1控制码 { =80..=9F } 做为首字节, 使用ASCII值 { =40..=7E { 做为第二字节,这样才能包含多达数万个双字节字符,这表明在这种编码之中小于3F的ASCII值不一定代表ASCII字符.

CP932

Shift-JIS包含日本语 charset JIS X 0201 (每个字符一个字节) 和 JIS X 0208 (每个字符两个字节),所以 JIS X 0201平假名包含一个字节半宽的字符,其剩馀的60个字节被用做7076个汉字以及648个其他全宽字符的首字节.同EUC-JP编码区别的是, Shift-JIS没有包含JIS X 202中定义的5802个汉字.

CP936

GBK 扩展了 EUC-CN 编码( GB 2312-80编码,包含 6763 个汉字)到Unicode (GB13000.1-93)中定义的20902个汉字,中国大陆使用的是简体中文zh_CN.

CP949

UnifiedHangul (UHC) 是韩文 EUC-KR 编码(KS C 5601-1992 编码,包括2350 韩文音节和 4888 个汉字a)的超集,包含 8822个附加的韩文音节( 在C1中 )

CP950

是代替EUC-TW (CNS 11643-1992)的 Big5 编码(13072 繁体 zh_TW 中文字) 繁体中文,这些定义都在Ken Lunde的 CJK.INF中或者 Unicode 编码表中找到.

注意: Microsoft采用以上四种Codepage,因此要访问Microsoft的文件系统时必需采用上面的Codepage .

1.2 IBM的远东语言Codepage

IBM的Codepage分为SBCS和DBCS两种:

IBM SBCS Codepage

37 (英文) * \N

290 (日文) * \N

833 (韩文) * \N

836 (简体中文) * \N

891 (韩文) \N

897 (日文) \N

903 (简体中文) \N

904 (繁体中文) \N

IBM DBCS Codepage

300 (日文) * \N

301 (日文) \N

834 (韩文) * \N

835 (繁体中文) * \N

837 (简体中文) * \N

926 (韩文) \N

927 (繁体中文) \N

928 (简体中文) \N

将SBCS的Codepage和DBCS的Codepage混合起来就成为: IBM MBCS Codepage

930 (日文) (Codepage 300 加 290) * \N

932 (日文) (Codepage 301 加 897) \N

933 (韩文) (Codepage 834 加 833) * \N

934 (韩文) (Codepage 926 加 891) \N

938 (繁体中文) (Codepage 927 加 904) \N

936 (简体中文) (Codepage 928 加 903) \N

5031 (简体中文) (Codepage 837 加 836) * \N

5033 (繁体中文) (Codepage 835 加 37) * \N

*代表采用EBCDIC编码格式

由此可见,Mircosoft的CJK Codepage来源于IBM的Codepage.

2. Linux下Codepage的作用

在Linux下引入对Codepage的支持主要是为了访问FAT/VFAT/FAT32/NTFS/NCPFS等文件系统下的多语种文件名的问题,目前在NTFS和FAT32/VFAT下的文件系统上都使用了Unicode,这就需要系统在读取这些文件名时动态将其转换为相应的语言编码.因此引入了NLS支持.其相应的程序文件在/usr/src/linux/fs/nls下:

Config.in \N
Makefile \N
nls_base.c \N
nls_cp437.c \N
nls_cp737.c \N
nls_cp775.c \N
nls_cp850.c \N
nls_cp852.c \N
nls_cp855.c \N
nls_cp857.c \N
nls_cp860.c \N
nls_cp861.c \N
nls_cp862.c \N
nls_cp863.c \N
nls_cp864.c \N
nls_cp865.c \N
nls_cp866.c \N
nls_cp869.c \N
nls_cp874.c \N
nls_cp936.c \N
nls_cp950.c \N
nls_iso8859-1.c \N
nls_iso8859-15.c \N
nls_iso8859-2.c \N
nls_iso8859-3.c \N
nls_iso8859-4.c \N
nls_iso8859-5.c \N
nls_iso8859-6.c \N
nls_iso8859-7.c \N
nls_iso8859-8.c \N
nls_iso8859-9.c \N
nls_koi8-r.c

实现了下列函数:

extern int utf8_mbtowc(__u16 *, const __u8 *, int); \N
extern int utf8_mbstowcs(__u16 *, const __u8 *, int); \N
extern int utf8_wctomb(__u8 *, __u16, int); \N
extern int utf8_wcstombs(__u8 *, const __u16 *, int);

这样在加载相应的文件系统时就可以用下面的参数来设置Codepage:

对于Codepage 437 来说

mount -t vfat /dev/hda1 /mnt/1 -o codepage=437,iocharset=cp437

这样在Linux下就可以正常访问不同语种的长文件名了.

3. Linux下支持的Codepage

nls codepage 437 -- 美国/加拿大英语 \N

nls codepage 737 -- 希腊语 \N

nls codepage 775 -- 波罗的海语 \N

nls codepage 850 -- 包括西欧语种(德语,西班牙语,意大利语)中的一些字符 \N

nls codepage 852 -- Latin 2 包括中东欧语种(阿尔巴尼亚语,克罗地亚语,捷克语,英语,芬兰语,匈牙利语,爱尔兰语,德语,波兰语,罗马利亚语,塞尔维亚语,斯洛伐克语,斯洛文尼亚语,Sorbian语) \N

nls codepage 855 -- 斯拉夫语 \N

nls codepage 857 -- 土耳其语 \N

nls codepage 860 -- 葡萄牙语 \N

nls codepage 861 -- 冰岛语 \N

nls codepage 862 -- 希伯来语 \N

nls codepage 863 -- 加拿大语 \N

nls codepage 864 -- 阿拉伯语 \N

nls codepage 865 -- 日尔曼语系 \N

nls codepage 866 -- 斯拉夫语/俄语 \N

nls codepage 869 -- 希腊语(2) \N

nls codepage 874 -- 泰语 \N

nls codepage 936 -- 简体中文GBK \N

nls codepage 950 -- 繁体中文Big5 \N

nls iso8859-1 -- 西欧语系(阿尔巴尼亚语,西班牙加泰罗尼亚语,丹麦语,荷兰语,英语,Faeroese语,芬兰语,法语,德语,加里西亚语,爱尔兰语,冰岛语,意大利语,挪威语,葡萄牙语,瑞士语.)这同时适用于美国英语. \N

nls iso8859-2 -- Latin 2 字符集,斯拉夫/中欧语系(捷克语,德语,匈牙利语,波兰语,罗马尼亚语,克罗地亚语,斯洛伐克语,斯洛文尼亚语) \N

nls iso8859-3 -- Latin 3 字符集, (世界语,加里西亚语,马耳他语,土耳其语) \N

nls iso8859-4 -- Latin 4 字符集, (爱莎尼亚语,拉脱维亚语,立陶宛语),是Latin 6 字符集的前序标准 \N

nls iso8859-5 -- 斯拉夫语系(保加利亚语,Byelorussian语,马其顿语,俄语,塞尔维亚语,乌克兰语) 一般推荐使用 KOI8-R codepage \N

nls iso8859-6 -- 阿拉伯语. \N

nls iso8859-7 -- 现代希腊语 \N

nls iso8859-8 -- 希伯来语 \N

nls iso8859-9 -- Latin 5 字符集, (去掉了 Latin 1中不经常使用的一些冰岛语字符而代以土耳其语字符) \N

nls iso8859-10 -- Latin 6 字符集, (因纽特(格陵兰)语,萨摩斯岛语等Latin 4 中没有包括的北欧语种) \N

nls iso8859-15 -- Latin 9 字符集, 是Latin 1字符集的更新版本,去掉一些不常用的字符,增加了对爱莎尼亚语的支持,修正了法语和芬兰语部份,增加了欧元字符) \N

nls koi8-r -- 俄语的缺省支持
\N

4. 简体中文GBK/繁体中文Big5的Codepage

如何制作简体中文GBK/繁体中文Big5的Codepage?

从 Unicode 组织取得GBK/Big5的Unicode的定义. \N
由于GBK是基于ISO 10646-1:1993标准的,而相应的日文是JIS X 0221-1995,韩文是KS C 5700-1995,他们被提交到Unicode标准的时间表为:
Unicode Version 1.0
Unicode Version 1.1 <-> ISO 10646-1:1993, JIS X 0221-1995, GB 13000.1-93
Unicode Version 2.0 <-> KS C 5700-1995
\N
从Windows 95开始均采用GBK编码. 您需要的是 CP936.TXT和 BIG5.TXT
\N
然后使用下面的程序就可以将其转化为Linux核心需要的Unicode<->GBK码表
./genmap BIG5.txt | perl uni2big5.pl
./genmap CP936.txt | perl uni2gbk.pl \N
再修改fat/vfat/ntfs的相关函数就可以完成对核心的修改工作. 具体使用时可以使用下面的命令:

简体中文: mount -t vfat /dev/hda1 /mnt/1 -o codepage=936,iocharset=cp936 \N

繁体中文: mount -t vfat /dev/hda1 /mnt/1 -o codepage=950,iocharset=cp936 \N

有趣的是,由于GBK包含了全部的GB2312/Big5/JIS的内码,所以使用936的Codepage也可以显示Big5的文件名.

来源：hi.baidu.com/fly86713/blog/item/daec69d7f8a470dea044df04.html

发表于：2010-2-13 08:26（约14年前） 访问量:561