(2)0080～00A0h：句柄区。其中0080～009Fh为C1句柄，

00A0h为不中断空格（no-break space）。

(3)00A1～1FFFh：拼音文字区。收容除基本拉丁字母以外的各种

拼音文字字符，包括欧洲各国语言、希腊文、斯拉夫语文、

希伯来文、阿拉伯文、亚美尼亚文、印度各地方言、马来文、

泰文、寮文、柬普寨文、满文、蒙文、藏文、印地安语文等。

(4)2000～28FFh：符号区。收容各种符号，包括标点符号、上下

标、钱币符号、数字、箭头、数学符号、工程符号、光学辨

识符号、带圈或带括符的文数字、表格绘制符号、地理图标、

盲用点字、装饰图形等。

(5)2E80～33FFh：中日韩符号区。收容康熙字典部首、中日韩辅

助部首、注音符号、日本假名、韩文音符，中日韩的符号、

标点、带圈或带括符文数字、月份，以及日本的假名组合、

单位、年号、月份、日期、时间等。

(6)3400～4DFFh：中日韩认同表意文字扩充A区，总计收容6,582

个中日韩汉字。

(7)4E00～9FFFh：中日韩认同表意文字区，总计收容20,902个中

日韩汉字。

(8)A000～A4FFh：彝族文字区，收容中国南方彝族文字和字根。

(9)AC00～D7FFh：韩文拼音组合字区，收容以韩文音符拼成的文

字。

(10)D800～DFFFh：S区，专用于UTF-16，详情后叙。

(11)E000～F8FFh：专用字区，其内容WG2不予规定，保留供使用

者自行添加ISO10646未收容的字符。

(12)F900～FAFFh：中日韩兼容表意文字区，总计收容302个中日

韩汉字。何谓兼容表意文字，留待后叙。

(13)FB00～FFFDh：文字表现形式区，收容组合拉丁文字、希伯来

文、阿拉伯文、中日韩直式标点、小符号、半角符号、全角

符号等。

WG2集各国专家之力共同整理全世界古今各种语言文字和符号，陆

续编入ISO10646。WG2依语言特性把各种文字区分为表意文字和非表

意文字两类，表意文字其实就是东亚各国所使用发源于中国的汉字，

主要包括台湾、中国、日本、南北韩、越南、新加坡和港澳地区所使

用的汉字。除汉字之外的所有其它文字，一律归类为非表意文字，绝

大部分为拼音文字。ISO10646的BMP和Unicode同时收编非表意文字、

符号和表意文字。但全世界古今各种语言文字和符号的数量何其庞大，

单靠BMP不足以容纳。WG2截至目前为止所收集、整理的非表意文字和

符号部分，扣除已编入BMP者，其余全部编入第1字面，由于其内容项

目过于庞杂，本文不拟介绍。而表意文字部分扣除已编入BMP者，其

余全部编入第二字面，其内容为：

(1)中日韩认同表意文字扩充B区：总计42,807个中日韩越汉字，

编码范围为0002-0100～0002-A836h。

(2)CNS11643兼容字符区：收容被认同的CNS11643字符527个，编

码范围为0002-F800～0002-FA16h。

WG2制订ISO10646编码字符集，首先由各会员体或观察员收集整理

自己国家的文字和符号向WG2提案（注7），WG2每半年召开会议审查

字符集提案，通过者即予以编码或是等候汇集更多字符集后再进行

编码。非表意文字或符号，因为字集小或是只有某个国家使用，通

常直接在WG2会议上讨论即可。但汉字字集规模庞大且为多个国家和

地区共同使用，WG2为此设置表意文字书记小组（Ideograph Rapporteur

Group, IRG）专责收集各国汉字字集，加以比对认同汇整成为整体

性字集之后再向WG2提出。IRG所建议的字符集，WG2向来都是直接

接受予以编码。IRG各会员体所提出的汉字都源自中国，难免有些字

的字形相同或极为近似。为了避免ISO10646编码表出现重复字造成

使用者困扰，IRG制订了表意文字认同规则。凡是依规则应予认同的

汉字，一律合并成一字赋予一个编码。不过为了尊重各国对各自文

字的主控权，WG2特别在ISO10646编码表中并列同一汉字不同来源的

各自字形。

认同规则不仅运用于整合不同来源的汉字，同时适用于相同来源

的汉字。例如，在我国中文码国家标准CNS11643的字集里就收编了

两个极为相似的「图」字，分别赋予两个不同的码1-6837h和6-5B5Bh，

这两个「图」字，依认同规则必须合并为一个，于是后者被前者认

同掉了。详言之，CNS的1-6837h和6-5B5Bh都对应到Unicode的5716h

（或ISO10646的0000-5716h），但是Unicode的5716h却只对应到CNS

的1-6837h。当我们把数据从CNS码转换成Unicode，再由Unicode转回

CNS码时，将发生6-5B5Bh→5716h→1-6837h的结果，这种现象称为去

回转码（round-trip conversion）错误。解决之道无他，必须在

Unicode或ISO10646字集中多加上被认同掉的字符并另外赋予编码

（称为兼容字符），做到CNS字集与ISO10646字集一对一（但不必

也无法做到映成）。ISO10646第2字面所收容的CNS兼容字集，就是

我国为了达到正确去回转码的目的，经多年力争所得成果。换言之，

CNS11643现有中文字集已全数编入ISO10646编码表中。 　 　　　　（下期待续）

参考数据：

注1：ISO为国际标准组织（International Organization for

Standardization）的英文缩写；IEC为联合国下属国际电

气技术委员会（International Electro-technical

Commission）的英文缩写；JTC1系由ISO和IEC双方协议共

组的第一联合技术委员会（Join Technical Committee One），

负责制订与信息处理、信息技术相关的国际标准；JTC1/SC2

为设于JTC1之下的第二分组委员会（Sub-Committee Two）；

而JTC1/SC2/WG2则是JTC1/SC2之下的第二工作组(Working

Group Two)。在我国，经济部标准检验局设有对应ISO/IEC

JTC1/SC2的组织，称为信息及通信国家标准起草委员会，

而对应ISO/IEC JTC1/SC2/WG2者，称为中文信息标准分组

委员会。笔者同时担任这两个组织的委员。

注2：C0句柄区指的是编码为0～31的32个句柄（其bit-8为0），

而C1句柄区则是意指128～159的32个句柄（其bit-8为1）。

关于C0和C1句柄详情，请参考ISO6429或CNS13479。

注3：国内有人将Unicode译为「统一码」。

注4：ISO10646-1为该标准的第一部份，正式名称为“ISO/IEC 10646-1:

Universal Multiple-Octet Coded Character Set - UCS - Part 1:

Architecture and Basic Multilingual Plane (BMP)”，其

内容仅及于ISO10646的编码结构和第0字面的编码表。

注5：ISO10646-2为该标准的第二部份，正式名称为“ISO/IEC 10646-2:

Universal Multiple-Octet Coded Character Set - UCS - Part 2:

CJK Unified Ideographs Supplementary Plane, General Scriptsand

Symbols Plane, General Purpose Plane”，其内容主要包括

第1字面非表意文字、符号的编码表，以及第2字面中日韩认同

表意文字和兼容表意文字的编码表。

注6：在此，h表示16进制数字，每一数字的值为0～15，分别表示

为0～9和 A(10)、B(11)、C(12)、E(13)、D(14)和F(15)。

注7：我国为WG2的观察员和IRG的会员体，本文作者目前为这两个

组织的我国代表。

《信息话题》

Unicode与ISO10646（下）（作者：曾士熊）

（续1510期）

三、UTF-16与UTF-8

ISO10646的编码空间足以容纳古今人类使用过的所有文字和符号，

但目前真正被使用的文字或符号，绝大多数都已编入BMP，它们的使

用频率可能超过99%，甚至99.99%。换言之，就99%以上的使用者或

使用场合而言，16位的Unicode已是足敷需求，32位的ISO10646

上一页 [1] [2] [3]  下一页