Abstract Charater Repertoire

抽象字符集：ACR

字符

字母、数字、标点、表意文字（汉字）、符号或其他文本形式的 “原子”

抽象字符

抽象的字符，包括空白、不可打印的字符

• 对于某些语言中，抽象字符应该还包括发音字符

• 如：印度语中单词“नमस्ते”

  • 有6个字符[‘न’, ‘म’, ‘स’, ‘्’, ‘त’, ‘े’]，
  • 其中4、6两个字符在单词不出现，是发音字符

Abstract Charater Repertoire

抽象字符集：ACR，抽象字符的集合

• 集合表明无序性
• 有时也简称为字符集（charater set）
• 有开放（字符不会改变）和封闭之分（会扩张）

Coded Character Set

编码字符集：CCS

Code Point

码位：抽象字符集中与字符关联的数字编号

• 一般是非负整数
• 习惯上有16进制表示

Coded Character Set

编码字符集：CCS，每个所属字符都分配了码位的抽象字符集

• 经常简称为字符集（charater set），同ACR弄混
• 字符与码位一一映射
• 可以更加方便的引用字符集中的某个元素
• 可以类比于dict

字符集（抽象、编码）举例

US-ASCII

ACSII字符集

• 128个抽象字符，封闭字符集

• 主要包括

  • 控制字符：回车、退格、换行
  • 可显示字符：英文大小写、阿拉伯数字、西文符号

• 一般字符集都是兼容ascii编码字符集，即相同字符的码位相同

ISO-8859-X

扩展的ASCII字符集

• 涵盖了大多数西欧语言字符、希腊语

GBXXXX

国标系列字符集：每个标准包含的字符数量不同、对应的编码方案 也不不完全相同

• GB2312：信息交换用汉字编码字符集基本集

  • 包含汉字覆盖99.75%的使用频率
  • 人名、古汉语等罕用字不能处理

• GBK：汉字内码扩展规范

  • 包括21003个汉字
  • 支持国际标准ISO/IEC10646-1和国家标准GB13000-1中 全部中日韩汉字
  • 包含了BIG5编码中的所有汉字
  • 兼容GB2312

• GB18030：信息技术中文编码字符集

  • 其中收入汉字70000余个
  • 以汉字为主并包含多种我国少数民族文字（如藏、蒙古、 傣、彝、朝鲜、维吾尔文等）的超大型中文编码字符集 强制性标准
  • 兼容GBK

Big5

Big5字符集：主要包含台湾、香港地区繁体字

Universal Character Set/Unicode/UCS

统一字符集/Unicode字符集：ISO/IEC 10646定义的编码字符

• 开放字符集，码位无上限，容纳一切字符，包括emoji等

• UCS中码位不是连续分配的

  • 目前为止，分为0x0000~0x10FFFF共17个平面

  • 其中0平面0x0000~0xFFFF称为 basic multilingual plane

  • BMP中码位只有16bit长度，能够节约大量存储空间，有 战略意义

  • 因此“常用”语言的常用字符放在BMP，其他不常用的字符 只能放在其他平面

• unicode本身是指一系列用于计算机表示所有语言字符的标准

Character Encoding Form

字符编码表：CEF，将码位映射为码元序列

• fixed-length-encoding：定长编码，对每个码位（字符） 赋予长度同为m的码元（位串）

  • 封闭字符集符号有限，可以直接确定一一对应编码表

• variable-length-encoding：变长编码，允许对不同码位 赋予不同长度的码元

  • 开放字符集包括符号无上限，无法定长码元表示码位， 必须有某种方式将码位一一映射为码元序列
  • 封闭字符集出于节约成本考量，也可能使用变长编码 如：Huffman编码

• 码元：能用于处理或交换编码文本的最小比特组合（位串）

Unicode定义的CEF

本质思想：预留标记位值使码元序列的长度实现变长

UTF-8

• 码元为1B
• 对BMP中字符一般需要1~3B，BMP外需要4B
• 兼容ASCII编码表（方案）
  • 不同于编码字符集兼容的意义，基本上编码字符集都 兼容ASCII编码字符集，即对应字符码位相同
  • 兼容编码表指，“ASCII编码方案”可以使用UTF-8解码 方案直接解码

UTF-16

• 码元为2B
• 对BMP中字符一般需要2B，BMP外需要4B

UTF-32

• 码元为4B

Prefix-Free Code

（自由）前缀码：所有代码码元都不是另一个字符码元的前缀

• 可以简单扫描位串直到得到一组有效码元，转换为相应字符

• 这样编码表可以很容易用一棵（编码）二叉树表示

  • 树左向边标记为0、右向边标记为1
  • 叶子节点表示字符，根节点到叶子节点路径为其码元
  • 树中叶子节点到其他叶子节点的简单路径不存在，即码元 不可能为其他码元前缀
  • 所以任何二叉树对应一套编码表

• 这种编码方案一般用于产生平均长度最短的位串

  • 因此这类编码方案以bit为单位，而不是以byte为单位

Huffman Encoding

哈夫曼编码：prefix-free code的一种

• 根据字符出现频率进行编码

  • 需要事先知道字符出现概率
  • 可以事先扫描给定文本，对文本中字符出现字符计数
  • 将较短位串分配给高频字符、较长位串分配给低频字符

• 若字符独立出现，则哈夫曼编码是最优编码（最短长度编码）

• 需要把编码树信息包含在编码文本中才能正确解码

• 构造哈夫曼树的贪婪算法参见组合问题

Adaptive Huffman Encoding

利用已经处理字符串动态更新编码

Lempel-ziv

对字符串编码

Character Encoding Schema

字符编码方案：CES，字符编码表+字节序列化方案，将码位 映射为字节流

• 大小端序问题：码元高位还是低位字节在前
• 字节序标记问题：不同程序之间端序交流

• 通常所说编码、解码就是指使用CES

应用场合

• CES是真正的应用层面，需要给出具体存储方案实现， 前述都是理论上protocol

• 所有字符串存储介质中，磁盘、内存都采用某种具体CES 实现存储

  • Java、Python3这样的偏上层语言，字符串对象在内存中 通常采用UTF-16

  • C这样偏底层语言，基本上按照源文件的编码确定，即将 源文件中对应字符串对应字节，但现在C/C++中还有一种 宽字符w_char类型

• 以上仅对Unicode而言，对于ASCII来说没有区分必要

内存CSE说明

• 内存中如果不使用某种CES实现，直接使用码元，一样会出现 长度问题，所以显然会使用某种CES方案

• 虽然在内存中，字符仍然使用某种编码方案得到字节流存储，但 这个字节流并不是这个字符，码位才“是”这个字符

  • 大部分提供Unicode处理语言会自动处理字符，不仅仅 是字节

  • 在考虑字符串问题时，可以“抽象的”忽略具体存储方式， 认为存储的就是“码位”本身

Byte Order Mark

字节序标：BOM，放置于编码字节开始处的特殊字节序列，表明 序列大小端序

• 0xFFFE：小端序，低位在前
• 0xFEFF：大端序，高位在前

Unicode族CES方案

UTF

unicode transfromation format：历史上是指CES，而UTF-X 现在可以同时指代CES和CEF，Unicode族标准CEF方案

• UTF-8：utf-8编码表码元为1B，不存在字节序问题

  • 指代CES和CEF没有什么区别，CEF只有一种

• UTF-16：指代CES和CEF时有歧义，需要明确指明是 UTF-16 encoding form（码元序列）、 UTF-16 encoding schema（字节流）

  • UTF-16-le：utf-16编码表小端版本
  • UTF-16-be：yutf-16编码表大端版本
  • UTF-16：utf-16编码表带BOM版本，大小端均可

  • UTF-16 CES表示BMP（包含大部分常用字符）只需要2B， 权衡了内存占用、处理便捷，适合作为内存中字符串的 编码方案

• UTF-32

  • UTF-32le：
  • UTF-32be
  • UTF-32

UCS

Unicode还有两种非标准CES

• UCS-2：使用2B定长序列化码位
  • 可以视为UTF-16的子集
  • 不支持BMP外的字符表示
• UCS-4：使用4B定长序列化码位
  • 可以视为UTF-32的子集

其他字符集CES方案

US-ASCII、GBK都有自己的编码方案，只是编码方案太简单，以至于 CCS、CEF、CES三层合一

• ASCII编码方案：1B的低7位表示一个字符
• ISO-8895-1编码方案：1B表示一个字符
• GB2312编码方案：2B表示一个汉字
  • 第一个字节：区字节，高位字节
  • 第二个字节：位字节，低位字节
• GBK编码方案：2B表示一个汉字
  • 兼容GB2312方案
  • 编码范围：0x8140~0xFEFE，剔除0xxx7F
• GB18030编码方案：变长字节1B、2B、4B
  • 兼容GBK方案
• Big5编码方案：2B表示一个汉字
  • 字节顺序类似GB2312

ANSI编码

• 各个国家、地区独立制定、兼容ASCII编码，但彼此之间不兼容 的编码方案，微软统称为ANSI编码

• ANSI编码一般代表系统（仅win）默认编码方式，在不同系统中 指不同的编码方案

  • 英文操作系统：ISO-8859-1
  • 简体中文：GBxxxx编码
  • 繁体中文：Big5编码
  • 日文：Shift JIS编码

• 默认ANSI编码可以通过设置系统Locale更改

  • win下系统Locale决定代码页，用户Locale决定数字、 数字、货币、时间与日期格式

Transfer Encoding Syntax

传输编码语法：TES，有时候需要对字节流再次编码以进行传输

• 如：某些字符不允许出现在传输流中

举例

• base64编码：将字节流映射成64个安全字符集组成的字符流

输入、输出辨析

输入

所有的输入都是经过CES编码的字节流（包括数字）

• 文件输入流：文件编码方案决定
• 标准输入流（terminal）：terminal编码方案决定
• 管道传输流：由管道输入端的编码方案决定

处理

这里应该有两种处理方式

• 将输入视为字节流，不做任何处理，直接按字节存储在 内存中

  • 将输入字节流视为其自身编码方案字节流，直接储存

• 将输入视为字符串，尝试解码

  • 若解码发现无法解释位串

    • strict：报错
    • replace：将违规字符替换为有效字符
      • 替换为某种?：很多应用采用此方式，是乱码 发生的主要原因
      • 有些也替换为Unicode码位
    • ignore：忽略该位串

  • 而解码后字符串的在内存中的存储，取决于解释器、编译器 、系统等处理主体的编码方案

• 以上只是对真正有字符串类型的语言Python、Java有这样区分
• 对于没有字符串类型的语言C并没有真正意义上的字符串，只有 字节串，不涉及解码、自身字符串内存存储的问题，仅有换行符 转义问题（若处理换行符被视为解码）

输出

所有输出都是编码后字节流（包括数字）

• 文件输出流：write
• 标准输出流（terminal）：print
• 管道传输流

• 需要注意的是，输出的字节流编码方案和处理主体在内存中编码 方案不一定相同，和编程实现、平台等因素都有关，比如很多 默认输出编码方案为utf-8
• 同样的，此输出流是对于其接收者而言仅仅是字节流，需要自行 决定如何处理字节流
• 此输出是指传递给直接输出外部的输出，有些语言在输出前 会隐式调用函数生成字符串

其他常见问题

乱码

乱码主要有以下3种可能

• 读取乱码：真正的乱码
  • 读取时没有正确解码，内容被替换，打印输出
• 存储乱码：保存时已经是“乱码”，其实也不能算是乱码
  • 读取时没有正确解码，内存中内容已经被错误，保存后内容 保持错误
  • 内存中数据正确，但保存使用的编码方案不支持某些字符， 内容被替换
• 缺少字体库

• 乱码不是其实已经是将不能打印的字符剔除、替换，能看到的 乱码已经是程序认为“正确解码的字符串”

换行符处理

• 鉴于以下两种行为

  • win下换行需要两个字符\r\n标识，linux下只需要\n 即可
  • 编程语言往往类似Linux只需要\n即标识换行

  • Vim中在内存中以<CR>标识换行

• 在win下很多语言以字符串模式：读取字节流时会自动将\r\n 替换为\n、写出字节流时替换回\r\n

  • Python这种原生支持字符串语言，这个特性可以看作字符串 解码的行为
  • C这种原生只支持字节串的语言，这个特性可能是二进制、 字符串读写的唯一区别

例子

以UTF-8编码方案为例

• 输入的所有的内容都是由UTF-8编码方案编码的字节流

• 处理主体获取字节序列，根据指令处理字节序列

  • 比如字节序列编码和处理主体编码不同，将其解码为 主体编码方案
  • 比如按照约定将字节序列转变为不同类型的数据

• 输出则是将需要输出的内容（包括数字等）转换字节流传给底层 函数

C0、C1 控制字符集

• C0、C1 控制字符

  • ISO/IEC 2022 定义的控制字符集
  • Unicode 中控制字符码位兼容 ISO/IEC 2022，但
    • 仅对 U+001C - U+001F、U+0009 - U+000D、U+0085 限定语义
    • 其余控制字符语义对 Unicode 透明，留给高层协议

  • https://zh.wikipedia.org/wiki/C0%E4%B8%8EC1%E6%8E%A7%E5%88%B6%E5%AD%97%E7%AC%A6

C0 控制字符集

• CO 控制字符集码位范围：0x00 - 0x1F

  • ASCII 中定义控制字符标准
  • 码位限定在 1byte 可以表示，避免终端机需要实现状态机处理多字节控制序列
  • 现只有少数控制字符被使用

• C0 控制字符码位范围之外，还有定义有两个具备控制符特点的字符

  • 0x7F（delete）
  • 0x20（space）

C1 控制字符集

• C1 控制字符集码位范围：0x80 - 0x9F

  • 8bits ISO/IEC 8859 ASCII 扩展提出后
    • 考虑到可打印字符的最高比特位去掉之后不应变成控制字符
    • 以 C0 控制字符集作为低位、最高位置 1，得到 C1 控制字符集
  • C1 码位在经常被私有编码方案（Windows-1252、Mac Os Roman）用于提供额外的可打印字符

• ISO/IEC 8859 ASCII 扩展标准中指定

  • 为兼容 7bits 传输，所有 C1 控制字符使用 ESC 开头的 7bits 字符序列表示

标准 C 转义规则

• 非打印（包括控制）字符可以通过其 ASCII 码位 16 进制、8 进制表示
  • \0[ooo]：八进制数 oo 码位字符
  • \x[hh]：十六进制数 hh 码位字符
    • \x0a：同 \n
• 针对常用非打印字符，有如下简写方式
  • \\：反斜杠 \
  • \'：单引号 '
  • \"：双引号 "
  • \a：BEL ASCII 响铃
  • \b：BS ASCII退格
  • \f：FF ASCII 进纸
  • \n：LF/NL ASCII 换行，开启新行
  • \r：CR ASCII 回车，“指针移至行首”
  • \t：TAB ASCII 制表符
  • \v：VT 垂直制表符

ANSI Escape Sequences

ANSI：一种 In-band Signaling 的转义序列标准，用于控制终端上 光标位置、颜色、其他选项

• 在文本中嵌入的 ANSI 转义序列，终端会将 ANSI 转义序列解释为相应指令，而不是普通字符

  • ANSI 转义序列使用 ASCII 中字符传递所有信息

• ANSI 转义序列有不同长度，但都

  • 以 ASCII 字符 ESC（0x1b） 开头
    • 8 进制表示：\033
    • 16 进制表示：\x1b
  • 第二字节则是 0x45 - 0x5F（ASCIIi @A-Z[\]^_）范围内的字符

• 标准规定，在 8bits 环境中

  • ANSI 转义序列前两个字节的序列可以合并为 0x80 - 0x9F 范围内的单个字节（即 C1 控制字符）
  • 但在现代设备上，C1 控制字符码位被用于其他目的，一般不被使用
    • UTF-8 编码对 x80 字符本就需要 2bytes
    • Windows-1252 编码将 C1 控制字符码位挪作他用

• C0 控制字符输出有时也会产生与 ANSI 转义序列相近效果，如：LF、ESC E都有换行效果
• https://zh.wikipedia.org/wiki/ANSI%E8%BD%AC%E4%B9%89%E5%BA%8F%E5%88%97
• https://www.gnu.org/software/screen/manual/html_node/Control-Sequences.html

No-CSI - 非控制序列

Control Sequence Introducer

控制序列导入器：ESC[ + 若干参数字节 + 若干中间字节 + 一个最终字节

• 常见序列只是把参数用作一系列分号分隔的数字，如：1;2;3

  • 缺少的数字视为 0
  • 某些序列（CUU）把 0 视为 1，以使缺少参数情况下有意义

• 一部分字符定义“私有”，方便终端制造商插入私有序列

  • 参数字节 <=>? 的使用：ESC[?25h、ESC[?251 打开、关闭光标显示
  • 最终字节 0x70 - 0x7F

光标移动

窗口

Select Graphic Rendition

• SGR 选择图形再现：ESC[[n]m
  • [n]：多个参数用 ; 分隔，缺省为 0
  • m：结束字节

样式

3/4位色

• 可通过反显 7 实现背景色、高亮 1 实现多高亮色

8bits 色

• 8bits 色设置格式
  • ESC[38;5;37m：设置256位前景色
  • ESC[48;5;37m：设置256位背景色
• 预定义 8bits 色情况
  • 0-7：标准颜色，同 ESC[30-37m
  • 8-15：高强度颜色，同 ESC[90-97m
  • 16-231：16 + 36*r + 6*g + b（$0 leq r,g,b leq 5$ 得到 6 6 6 立方）
  • 232-255：24阶灰阶

24bits 色

• 24bits 色设置格式

  • ESC[38;2;<r>;<g>;<b>m：选择 RGB 前景色
  • ESC[48;2;<r>;<g>;<b>m：选择 RGB 辈景色

• 字符内容体系结构有一个不太受支持的替代版本

  • ESC[38:2:<Color-Space-ID>:<r>:<g>:<b>:<unused>:<CS tolerance>:<Color-Space: 0="CIELUV";1="CIELAB">m：选择 RGB 前景色
  • ESC[48:2:<Color-Space-ID>:<r>:<g>:<b>:<unused>:<CS tolerance>:<Color-Space: 0="CIELUV";1="CIELAB">m：选择 RGB 背景色

• 支持 libvte 的终端上支持 ISO-8613-3 的 24bits 前景色、背景色设置，如 Xterm、Konsole
• 24bits 色的替代版本是 ISO/IEC 8613-6 采用的 ITU 的 T.416 信息技术

字体文件

• TTF：Truetype Font

  • 苹果公司创建，Mac 和 Win 上最常用的字体文件格式
  • 由数学表达式定义、基于轮廓的字体文件
  • 保证了屏幕、打印输出的一致性，同时也可以和向量字体一样随意缩放

• TTC：TrueType Collection

  • 微软开发的新一代字体文件，多个 TTF 文件合并而成
  • 可以共用字体笔画文件，有效的节约空间
  • 兼容性不如 TTF，有些应用无法识别

• FON

  • Win 上最小的字体文件格式
  • 固定大小的位图格式，难以调整字体大小

字体分类

西文字体分类

• 西文字体分类方法有很多种，但是太学术，不常用，常用分类的可以看计算机字体族

• Thibaudeau 分类法
  • 法国字体排印师 Francis Thibaudeau 于 1921 年提出
• Vox-ATypl 分类法
  • Maximilien Vox 于1954年提出，是比较早、基础、业内有过影响力的分类法
• Fontshop 自家的分类法
  • 在已有的思路的基础上，基于字体开发的独特的分类法
  • 适合网上搜索字体，网罗了超过 15 万字体
• Linotype 提供的3种分类法
  • by category + by usage+ by theme
  • 后 2 者是面向一般字体用户，重视字体的用途来合理分类

中文字体分类

• 中文字体则没有一个明确的分类体系，仅能大概分类

• 宋体（明体）：最能代表汉字风格的印刷字头
• 仿宋：相当于雕版时代的魏碑体
• 楷体：标准化的楷书，毛体书法的产物
• 黑体：汉字在西方现代印刷浪潮冲击下的产物
• 圆体：海外地区率先开发、使用

计算机字体分类

• serif：有衬线字体

  • 特点
    • 笔画有修饰，末端向外展开、尖细或者有实际衬线
    • 文字末端在小号字体下容易辨认，大号可能模糊或有锯齿
  • 例
    • Times New Roman、MS Georgia、DejaVu Serif
    • 宋体、仿宋
  • 两种衍生字体
    • petit-serif：小衬字体，可以当作无衬线
    • slab-serif：雕版衬线，末端变化非常明显

• san-serif：无衬线字体

  • 特点
    • 末端笔画清晰，带有一点或没有向外展开、交错笔画
    • 与serif相比，字体较小时可能难以分辨、串行（阅读）
  • 举例
    • MS Trebuchet、MS Arial、MS Verdana
    • 黑体、圆体、隶书、楷体

• monospace：等宽字体

  • 特点
    • 每个字形等宽，因此常作为终端所用字体
  • 举例
    • Courier、MS Courier New、Prestige
    • 多数中文字体（中文字体基本都等宽）

• cursive：手写字体

  • 举例
    • Caflisch Script、Adobe Poetica
    • xx手写体、xx行草

• fantasy：梦幻字体（艺术字）

  • 举例
    • WingDings、WingDings2、Symbol
    • 各种奇怪名字的字体

• serif、san-serif 是西文字体的两大分类
• 而后应该是计算机的出现带来的monospace的兴起
• 最后面两种在正式场合中不常用