字母編碼

字母編碼是把字元集中的字母為指定集合中某一對象（例如：比特模式、自然數序列、8位組或者電脈衝），以便文本在計算機中存儲和通過通信網路的傳遞。

基本介紹

• 中文名：字母編碼
• 外文名：algebraic coding
• 目的：便於文本存儲和通過通信網路傳遞
• 類別：編碼標準
• 英文編碼：直觀、二進、陣列編碼等
• 套用學科：計算機科學、通信工程、電子科學

編碼簡介

在顯示器上看見的文字、圖片等信息在電腦裡面其實並不是我們看見的樣子，即使你知道所有信息都存儲在硬碟里，把它拆開也看不見裡面有任何東西，只有些碟片。假設，你用顯微鏡把碟片放大，會看見碟片表面凹凸不平，凸起的地方被磁化，凹的地方是沒有被磁化；凸起的地方代表數字1，凹的地方代表數字0。硬碟只能用0和1來表示所有文字、圖片等信息。那么字母”A”在硬碟上是如何存儲的呢？可能小張計算機存儲字母”A”是1100001，而小王存儲字母”A”是11000010，這樣雙方交換信息時就會誤解。比如小張把1100001傳送給小王，小王並不認為1100001是字母”A”，可能認為這是字母”X”，於是小王在用記事本訪問存儲在硬碟上的1100001時，在螢幕上顯示的就是字母”X”。也就是說，小張和小王使用了不同的編碼表。小張用的編碼表是ASCII，ASCII編碼表把26個字母都一一的對應到2進制1和0上；小王用的編碼表可能是EBCDIC,只不過EBCDIC編碼與ASCII編碼ψ的字母和01的對應關係不同。一般地說，開放的作業系統（LINUX、WINDOWS等）採用ASCII編碼，而大型主機系統（MVS、OS/390等）採用EBCDIC編碼。在傳送數據給對方前，需要事先告知對方自己所使用的編碼，或者通過轉碼，使不同編碼方案的兩個系統可溝通自如。

ASCII碼使用7位2進制數表示一個字元，7位2進制數可以表示出2的7次方個字元，共128個字元。EBCDIC碼使用8位，可以表示出2的8次方個字元，256個字元。

無論是ASCII碼還是EBCDIC碼，都無法對擁有幾萬個的漢字進行編碼。因為上面已經提過，7位2進制數最多對應上128個字元，8位最多對應上256個字元。

英文字母編碼方案

直觀編碼

由A到Z依次可編碼，如圖所示。

直觀編碼A~W

直觀編碼XYZ

陣列編碼

由A到Z依次可編碼，如圖所示。

二進編碼

ψ(Ω)=111111111111111111111111111111111

ψ(A)=0000010010001001101010000101000001

ψ(B)=0100100010010001010010001001000101

ψ(C)=1010100001010000000010000001000111

ψ(D)=0100100010010000100010001001000101

ψ(E)=1010100000010000101010000001000011

ψ(F)=1010100000010000101010000001000000

ψ(G)=101000001010000001010000101000111

ψ(H)=0000100001010001101010000101000100

ψ(I)=0000000100000010000000010000100000

ψ(J)=0000000100000010000000010000001001

ψ(K)=000100100010000000101000010010000

ψ(L)=0000100000010000000010000001000001

ψ(M)=0001010101101010010010000101000001

ψ(N)=0001010010100100010010010101000101

ψ(O)=0100100100010010000010010001001011

ψ(P)=0100100100010010010010000001000000

ψ(Q)=0000010010001000100001010100101010

ψ(R)=0100100010010001010010001001000010

ψ(S)=0100100100010000001000010001001001

ψ(T)=0101000100000010000000010000001000

ψ(U)=0000100001010000010010000101000111

ψ(V)=0000100010100000010001000100100100

ψ(W)=0000100001010000010101011010100101

ψ(X)=0000010001001001000001001000100010

ψ(Y)=0000010001001001000000010000001000

ψ(z)=01010000010000010000001000001000

絕對碼重

由A到Z依次可編碼，如圖所示。

相對碼重

由A到Z依次可編碼，如圖所示。

中文字母編碼

漢字編碼史

漢字編碼回溯到我國東漢時期,許慎首創部首編排法,將9353個漢字劃分為540部,編出我國第一部系統分析漢字字形的字典《說文解字》。由於這種編排法揭示了漢字複雜的內部結構,因而流傳至今。現在出版的有些字典只不過將部首略作刪改,如《新華字典》改為189部,《現代漢語詞典》改為188部。然而,部首編排法查字速度太慢,更談不上見字識碼。原商務印書館長王雲五創四角號碼檢字法,第一次解決了“見字識碼”的問題。這種編碼法現在仍是權威性的編碼法之一,除了《四角號碼新詞典》採用以外,《現代漢語詞典》在書前,新版《辭源》在書後均附有四角號碼檢字表。不過,這種編碼的重碼率太高,不能滿足電子計算機的要求。

要知道,造成重碼的原因是多方面的。就以“王”、“豆”兩字的編碼為例,它們的編碼都是1010,造成同碼的原因為:(1)四角號碼法只考慮了漢字四角的特點,而忽略了漢字的內部結構。然而,“王”與“豆”的根本區別正是在內部。(2)對這兩字名義上是取四角,但所取的角中只有左上、左下兩角生效。

樹形編碼

從以上對漢字編碼史的回顧,我們得出如下結論:只有抓住漢字字形複雜的內部結構這一根本點,才可能得出先進的編碼方案。“漢字樹形結構中文字母編碼法”(簡稱“樹”法)正是在總結我國編碼史的基礎上提出來的。它以漢字結構文法及其語法樹為理論基礎,直接將三十六對中文字母(從數萬漢字中提煉出,每對中文字母只對應一個數字或一個英文字母)作為漢字的編碼,並共用現成的英文鍵盤。

象物質由分子組成一樣,漢字由幾個小塊複合而成。這些構字小塊簡稱塊。塊的形狀多樣,有矩形、三角形、凹多邊形諸種。塊內筆劃之間相互關係錯綜複雜。那些筆劃之間縱橫相交或相連的塊,如“豐”、“王”、“藝”……都是交連塊。筆劃分離的塊如“甲”、“三”、“立,.··…等都是離散塊。塊內有塊的那些塊如“國”,“田”……是相套塊。塊與塊彼此相嵌的塊,如“臾”是相嵌塊。上述這些塊合稱分塊。

對數萬漢字進行分解的結果,從中提煉出三十六對字元,作為中文字母。中文字母成對出現,每對字母對應一個數字或一個英文字母。換言之,每對中文字母對應於同一個ASClI碼。中文字母分成兩類,甲類為三十六個常用符號,乙類為三十六個大容量的偏旁部首,且為漢字,如“木,之”等。對《新華字典》71年修訂重排本“部容量”作了一個統計。該字典收字8500左右,將漢字分為189部,在中文字母中所出現的偏旁部首總容量為7955字,占整個字典總容量的93.59%。這說明中文字母具有極強的構字能力。甲類符號又分為四區。

如果一漢字不是分塊,那么對它進行樹形結構的一級分解。設LEAE(CW)={B₁,B₂,…B_N},這裡N=2,3,4,5

1.1若N=2,對B₁、B₂分別進行二級分解,限分兩塊。轉3.

1.2若N>3,轉3。

2.如果一漢字是一分塊,那么對它進行二級分解。

3.取每塊為首的最大字母為其編碼。

“樹”法方法簡明,不用記憶,識碼高速。不管是哪一個國家的人,只要他能正確書寫漢字,就能按書寫分塊的先後次序,對漢字進行樹形結構的一級分解並進行編碼,其速度不低於書寫一個英文字的速度。

樹”法平均碼長短且重碼率低。“樹”法不局限於對漢字幾個“角”的了解,它對漢字進行了層層剖析,將漢字分解為分塊,又將分塊繼續分解為原子塊,深刻地揭示了漢字複雜的內部結構。因而,收到了平均碼長短且重碼率低的效果。以一九八二年五月出版的《快速集中識字手冊》的六千多漢字為例,重碼率僅0.3%,平均碼長2.5。

“樹”法對高頻漢字以及大容量部首都進行了巧妙安排。而且高頻漢字的編碼直接由“樹”法規則決定,且編碼長度短,不必另設簡碼錶。前20個高頻漢字的平均碼長僅1.75。