随笔 - 37  文章 - 116  trackbacks - 0
<2006年12月>
262728293012
3456789
10111213141516
17181920212223
24252627282930
31123456

专注于C++ P2P STL GP OpenSource等
Google

常用链接

留言簿(4)

随笔分类

随笔档案

相册

朋友

搜索

  •  

最新评论

阅读排行榜

评论排行榜

1. Codepage的定义和历史

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.
  • 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键盘的输入值给出一个对应的内码.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. ......1. Codepage的定义和历史

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.
  • 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键盘的输入值给出一个对应的内码.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) *
  • 290 (日文) *
  • 833 (韩文) *
  • 836 (简体中文) *
  • 891 (韩文)
  • 897 (日文)
  • 903 (简体中文)
  • 904 (繁体中文)

    IBM DBCS Codepage

  • 300 (日文) *
  • 301 (日文)
  • 834 (韩文) *
  • 835 (繁体中文) *
  • 837 (简体中文) *
  • 926 (韩文)
  • 927 (繁体中文)
  • 928 (简体中文)

    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) *
  • 932 (日文) (Codepage 301 加 897)
  • 933 (韩文) (Codepage 834 加 833) *
  • 934 (韩文) (Codepage 926 加 891)
  • 938 (繁体中文) (Codepage 927 加 904)
  • 936 (简体中文) (Codepage 928 加 903)
  • 5031 (简体中文) (Codepage 837 加 836) *
  • 5033 (繁体中文) (Codepage 835 加 37) *

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

    实现了下列函数:

    • extern int utf8_mbtowc(__u16 *, const __u8 *, int);
    • extern int utf8_mbstowcs(__u16 *, const __u8 *, int);
    • extern int utf8_wctomb(__u8 *, __u16, int);
    • 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
  • nls codepage 737 -- 希腊语
  • nls codepage 775 -- 波罗的海语
  • 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
  • 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)
  • nls codepage 855 -- 斯拉夫语
  • nls codepage 857 -- 土耳其语
  • nls codepage 860 -- 葡萄牙语
  • nls codepage 861 -- 冰岛语
  • nls codepage 862 -- 希伯来语
  • nls codepage 863 -- 加拿大语
  • nls codepage 864 -- 阿拉伯语
  • nls codepage 865 -- 日尔曼语系
  • nls codepage 866 -- 斯拉夫语/俄语
  • nls codepage 869 -- 希腊语(2)
  • nls codepage 874 -- 泰语
  • nls codepage 936 -- 简体中文GBK
  • nls codepage 950 -- 繁体中文Big5
  • 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.
  • 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)
  • nls iso8859-3 -- Latin 3 字符集, (世界语,加里西亚语,马耳他语,土耳其语)
  • 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
  • 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
  • nls iso8859-6 -- 阿拉伯语.
  • nls iso8859-7 -- 现代希腊语
  • nls iso8859-8 -- 希伯来语
  • 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)
  • 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)
  • 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)
  • nls koi8-r -- 俄语的缺省支持

    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?

    1. Unicode 组织取得GBK/Big5的Unicode的定义.

      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

      从Windows 95开始均采用GBK编码. 您需要的是 CP936.TXTBIG5.TXT

    2. 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
    3. 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
  • 繁体中文: mount -t vfat /dev/hda1 /mnt/1 -o codepage=950,iocharset=cp936

    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.

    5. 附录

    5.1 作者和相关文档

    制作codepage950支持的是台湾的 cosmos先生, 主页为 http://www.cis.nctu.edu.tw:8080/~is84086/Project/kernel_cp950/

    制作GBK的cp936支持的是TurboLinux的中文研发小组的 方汉陈向阳

    5.2 genmap

    #!/bin/sh
    cat $1 | awk '{if(index($1,"#")==0)print $0}' | awk 'BEGIN{FS="0x"}{print $2 $3}' |
    awk '{if(length($1)==length($2))print $1,$2}'

    5.3 uni2big5.pl

      1 #!/usr/bin/perl
      2 
      3 @code = (
      4         "00", "01", "02", "03", "04", "05", "06", "07",
      5         "08", "09", "0A", "0B", "0C", "0D", "0E", "0F",
      6         "10", "11", "12", "13", "14", "15", "16", "17",
      7         "18", "19", "1A", "1B", "1C", "1D", "1E", "1F",
      8         "20", "21", "22", "23", "24", "25", "26", "27",
      9         "28", "29", "2A", "2B", "2C", "2D", "2E", "2F",
     10         "30", "31", "32", "33", "34", "35", "36", "37",
     11         "38", "39", "3A", "3B", "3C", "3D", "3E", "3F",
     12         "40", "41", "42", "43", "44", "45", "46", "47",
     13         "48", "49", "4A", "4B", "4C", "4D", "4E", "4F",
     14         "50", "51", "52", "53", "54", "55", "56", "57",
     15         "58", "59", "5A", "5B", "5C", "5D", "5E", "5F",
     16         "60", "61", "62", "63", "64", "65", "66", "67",
     17         "68", "69", "6A", "6B", "6C", "6D", "6E", "6F",
     18         "70", "71", "72", "73", "74", "75", "76", "77",
     19         "78", "79", "7A", "7B", "7C", "7D", "7E", "7F",
     20         "80", "81", "82", "83", "84", "85", "86", "87",
     21         "88", "89", "8A", "8B", "8C", "8D", "8E", "8F",
     22         "90", "91", "92", "93", "94", "95", "96", "97",
     23         "98", "99", "9A", "9B", "9C", "9D", "9E", "9F",
     24         "A0", "A1", "A2", "A3", "A4", "A5", "A6", "A7",
     25         "A8", "A9", "AA", "AB", "AC", "AD", "AE", "AF",
     26         "B0", "B1", "B2", "B3", "B4", "B5", "B6", "B7",
     27         "B8", "B9", "BA", "BB", "BC", "BD", "BE", "BF",
     28         "C0", "C1", "C2", "C3", "C4", "C5", "C6", "C7",
     29         "C8", "C9", "CA", "CB", "CC", "CD", "CE", "CF",
     30         "D0", "D1", "D2", "D3", "D4", "D5", "D6", "D7",
     31         "D8", "D9", "DA", "DB", "DC", "DD", "DE", "DF",
     32         "E0", "E1", "E2", "E3", "E4", "E5", "E6", "E7",
     33         "E8", "E9", "EA", "EB", "EC", "ED", "EE", "EF",
     34         "F0", "F1", "F2", "F3", "F4", "F5", "F6", "F7",
     35         "F8", "F9", "FA", "FB", "FC", "FD", "FE", "FF");
     36 
     37 while (<STDIN>){
     38         ($unicode, $big5= split;
     39         ($high, $low= $unicode =~ /(..)(..)/;
     40         $table2{$high}{$low= $big5;
     41         ($high, $low= $big5 =~ /(..)(..)/;
     42         $table{$high}{$low= $unicode;
     43 }
     44 
     45 print <<EOF;
     46 /*
     47  * linux/fs/nls_cp874.c
     48  *
     49  * Charset cp874 translation tables.
     50  * Generated automatically from the Unicode and charset
     51  * tables from the Unicode Organization (www.unicode.org).
     52  * The Unicode to charset table has only exact mappings.
     53  */
     54 
     55 #include <linux/module.h>
     56 #include <linux/kernel.h>
     57 #include <linux/string.h>
     58 #include <linux/nls.h>
     59 
     60 /* A1 - F9*/
     61 static struct nls_unicode charset2uni[(0xF9-0xA1+1)*(0x100-0x60)] = {
     62 EOF
     63 
     64 for ($high=0xA1$high <= 0xF9$high++){
     65         for ($low=0x40$low <= 0x7F$low++){
     66                 $unicode = $table2{$code[$high]}{$code[$low]};
     67                 $unicode = "0000" if (!(defined $unicode));
     68                 print "\n\t" if ($low%4 == 0);
     69                 print "/* $code[$high]$code[$low]*/\n\t" if ($low%0x10 == 0);
     70                 ($uhigh, $ulow= $unicode =~ /(..)(..)/;
     71                 printf("{0x%2s, 0x%2s}, ", $ulow, $uhigh);
     72         }
     73         for ($low=0xA0$low <= 0xFF$low++){
     74                 $unicode = $table2{$code[$high]}{$code[$low]};
     75                 $unicode = "0000" if (!(defined $unicode));
     76                 print "\n\t" if ($low%4 == 0);
     77                 print "/* $code[$high]$code[$low]*/\n\t" if ($low%0x10 == 0);
     78                 ($uhigh, $ulow= $unicode =~ /(..)(..)/;
     79                 printf("{0x%2s, 0x%2s}, ", $ulow, $uhigh);
     80         }
     81 }
     82 
     83 print "\n};\n\n";
     84 for ($high=1$high <= 255;$high++){
     85         if (defined $table{$code[$high]}){
     86                 print "static unsigned char page$code[$high]\[512\] = {\n\t";
     87                 for ($low=0$low<=255;$low++){
     88                      &nb