开发知识MISC

声明，以下内容均为网上搜索而来，不做特别出处

 

汉字编码-字符编码

输入码、区位码、国标码和机内码

 

区位码 +2020H ->国标码 +800H ->机内码

 

输入码就是使用英文键盘输入汉字时的编码.

大体可分为顺序码、音码、形码、音形码四类。

如“保”字，用全拼，输入码为码为“BAO”，用区位码（有一种特殊的区位码输入法，输入四个数字就可以打出汉字），输入码为“1703”，用五笔字型则为“WKS”。

 

区位码：（即国标区位码）

我国国家标准局于1981年5月颁布了《信息交换用汉字编码字符集——基本集》，代号为GB2312-80，共对6763个汉字和682个图形字符进行了编码，其编码原则为：汉字用两个字节表示，每个字节用七位码（高位为0），;国家标准将汉字和图形符号排列在一个94行94列的二维代码表中;每两个字节分别用两位十进制编码，前字节的编码称为区码，后字节的编码称为位码，此即区位码;如“保”字在二维代码表中处于17区第3位，区位码即为“1703 ”。

 

国标码：（即汉字国际交换码）

国标码并不等于区位码，它是由区位码稍作转换得到,

其转换方法为：先将十进制区码和位码转换为十六进制的区码和位码，;这样就得了一个与国标码有一个相对位置差的代码，;再将这个代码的第一个字节和第二个字节分别加上20H，就得到国标码。如：“保”字的国标码为3123H，它是经过下面的转换得到的：1703D－>1103H->+20H－>3123H。

 

机内码：

国标码是汉字信息交换的标准编码，但因其前后字节的最高位为0，与ASCII码发生冲突，如“保”字，国标码为31H和23H，而西文字符“1”和“#”的SCII也为31H和23H，现假如内存中有两个字节为31H和23H，;这到底是一个汉字，还是两个西文字符“1”;和“#”?于是就出现了二义性，显然，国标码是不可能在计算机内部直接采用的，于是，;汉字的机内码采用变形国标码，其变换方法为：将国标码的每个字节都加上128，即将两个字节的最高位由0改1，其余7位不变，如：由上面我们知道，“保”字的国标码为3123H，前字节为00110001B，后字节为00100011B，高位改1为10110001B和10100011B即为B1A3H，因此，字的机内码就是B1A3H;。

 

显然，汉字机内码的每个字节都大于128，这就解决了与西文字符的ASCII码冲突的问题。

 

汉字编码的发展

GB2312(1980年)一共收录了7445个字符，包括6763个汉字和682个其它符号。

 

GB2312支持的汉字太少。1995年的汉字扩展规范GBK1.0收录了21886个符号。

 

从 ASCII、GB2312到GBK，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。

 

2000 年的GB18030是取代GBK1.0的正式国家标准。该标准收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。从汉字字汇上说，GB18030在GB13000.1的20902个汉字的基础上增加了CJK扩展A的6582个汉字（Unicode码 0x3400-0x4db5），一共收录了27484个汉字。

 

CJK就是中日韩的意思。Unicode为了节省码位，将中日韩三国语言中的文字统一编码。GB13000.1就是ISO/IEC 10646-1的中文版，相当于Unicode 1.1。

 

GB18030 的编码采用单字节、双字节和4字节方案。其中单字节、双字节和GBK是完全兼容的。4字节编码的码位就是收录了CJK扩展A的6582个汉字。例如：UCS的0x3400在GB18030中的编码应该是8139EF30，UCS的0x3401在GB18030中的编码应该是8139EF31。

 

 

Quote: “fmddlmyy的专栏 CSDN”

UTF-8 GBK UTF8 GB2312 之间的区别和关系

 

UTF-8

Unicode TransformationFormat-8bit，允许含BOM，但通常不含BOM。是用以解决国际上字符的一种多字节编码，它对英文使用8位（即一个字节），中文使用24为（三个字节）来编码。UTF-8包含全世界所有国家需要用到的字符，是国际编码，通用性强。

 

GBK

在国家标准GB2312基础上，扩容后兼容GB2312的标准。GBK的文字编码是用双字节来表示的，即不论中、英文字符均使用双字节来表示，为了区分中文，将其最高位都设定成1。GBK包含全部中文字符，是国家编码，通用性比UTF8差，不过UTF8占用的数据库比GBD大。

 

各种编码的理解

简单来说，unicode，gbk和大五码(Big-5)就是编码的值【字符集/字符编码集】，而utf-8,uft-16之类就是这个值的表现形式【字符编码方案】．

GBK、GB2312等与UTF8之间都必须通过Unicode编码才能相互转换：

GBK、GB2312－－Unicode－－UTF8

UTF8－－Unicode－－GBK、GB2312

 

字节序

我们一般将endian翻译成“字节序”，将big endian和little endian称作“大尾”和“小尾”。

例如“汉”字的Unicode编码是6C49。那么写到文件里时，究竟是将6C写在前面，还是将49写在前面？如果将6C写在前面（高位先存放在低地址，即高位优先存储），就是big endian。如果将49写在前面，就是little endian。

 

 

Unicode、UCS和UTF

Unicode 也是一种字符编码方法，不过它是由国际组织设计，可以容纳全世界所有语言文字的编码方案。Unicode的学名是"UniversalMultiple-Octet Coded Character Set"，简称为UCS。UCS可以看作是"Unicode CharacterSet"的缩写。UCS就是unicode

 

根据维基百科全书(http://zh.wikipedia.org/wiki/)的记载：历史上存在两个试图独立设计Unicode的组织，即国际标准化组织（ISO）和一个软件制造商的协会（unicode.org）。ISO开发了ISO 10646项目，Unicode协会开发了Unicode项目。

 

在1991年前后，双方都认识到世界不需要两个不兼容的字符集。于是它们开始合并双方的工作成果，并为创立一个单一编码表而协同工作。从Unicode2.0开始，Unicode项目采用了与ISO 10646-1相同的字库和字码。

 

目前两个项目仍都存在，并独立地公布各自的标准。Unicode协会现在的最新版本是2005年的Unicode4.1.0。ISO的最新标准是ISO 10646-3:2003。

 

UCS 只是规定如何编码，并没有规定如何传输、保存这个编码。例如“汉”字的UCS编码是6C49，我可以用4个ascii数字来传输、保存这个编码；也可以用 utf-8编码:3个连续的字节E6 B189来表示它。UTF-8、UTF-7、UTF-16都是被广泛接受的方案。UTF-8的一个特别的好处是它与ISO- 8859-1完全兼容。UTF是“UCSTransformation Format”的缩写。

 

 

4、UTF编码

 

UTF-8就是以8位为单元对UCS进行编码。从UCS-2到UTF-8的编码方式如下：

 

UCS-2编码(16进制) UTF-8字节流(二进制)

0000 - 007F 0xxxxxxx

0080 - 07FF 110xxxxx 10xxxxxx

0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx

 

例如“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间，所以肯定要用3字节模板了：1110xxxx 10xxxxxx10xxxxxx。将6C49写成二进制是：0110 110001 001001，用这个比特流依次代替模板中的x，得到：111001101011000110001001，即E6 B1 89。

 

读者可以用记事本测试一下我们的编码是否正确。需要注意，UltraEdit在打开utf-8编码的文本文件时会自动转换为UTF-16，可能产生混淆。你可以在设置中关掉这个选项。更好的工具是HexWorkshop。

 

UTF- 16以16位为单元对UCS进行编码。对于小于0x10000的UCS码，UTF-16编码就等于UCS码对应的16位无符号整数。对于不小于 0x10000的UCS码，定义了一个算法。不过由于实际使用的UCS2，或者UCS4的BMP必然小于0x10000，所以就目前而言，可以认为 UTF-16和UCS-2基本相同。但UCS-2只是一个编码方案，UTF-16却要用于实际的传输，所以就不得不考虑字节序的问题。

 

UTF的字节序和BOM

UTF- 8以字节为编码单元，没有字节序的问题。

UTF-16以两个字节为编码单元，字节顺序的方法是BOM。

 

BOM是Byte order Mark。

在 UCS编码中有一个叫做"ZERO WIDTHNO-BREAKSPACE"的字符，它的编码是FEFF。而FFFE在UCS中是不存在的字符，所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前，先传输字符"ZERO WIDTH NO-BREAK SPACE"。

这样如果接收者收到FEFF，就表明这个字节流是Big-Endian的；如果收到FFFE，就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。

 

UTF- 8不需要BOM来表明字节顺序，但可以用BOM来表明编码方式。字符"ZERO WIDTHNO-BREAKSPACE"的UTF-8编码是EF BB BF。如果接收者收到以EF BBBF开头的字节流，就知道这是UTF-8编码了。

 

Windows就是使用BOM来标记文本文件的编码方式的。

 

参考资料

本文主要参考的资料是"Short overview of ISO-IEC 10646 and Unicode"(http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。

 

 

附录1再说说区位码、GB2312、内码和代码页

有的朋友对文章中这句话还有疑问：

“GB2312的原文还是区位码，从区位码到内码，需要在高字节和低字节上分别加上A0。”

 

我再详细解释一下：

 

“GB2312 的原文”是指国家1980年的一个标准《中华人民共和国国家标准信息交换用汉字编码字符集基本集 GB2312-80》。这个标准用两个数来编码汉字和中文符号。第一个数称为“区”，第二个数称为“位”。所以也称为区位码。1-9区是中文符号，16-55区是一级汉字，56-87区是二级汉字。现在Windows也还有区位输入法，例如输入1601得到“啊”。（这个区位输入法可以自动识别 16进制的GB2312和10进制的区位码，也就是说输入B0A1同样会得到“啊”。）

 

内码是指操作系统内部的字符编码。早期操作系统的内码是与语言相关的。现在的Windows在系统内部支持Unicode，然后用代码页适应各种语言，“内码”的概念就比较模糊了。微软一般将缺省代码页指定的编码说成是内码。

 

内码这个词汇，并没有什么官方的定义，代码页也只是微软这个公司的叫法。作为程序员，我们只要知道它们是什么东西，没有必要过多地考证这些名词。

 

所谓代码页(codepage)就是针对一种语言文字的字符编码。例如GBK的code page是CP936，BIG5的code page是CP950，GB2312的code page是CP20936。

 

Windows中有缺省代码页的概念，即缺省用什么编码来解释字符。例如Windows的记事本打开了一个文本文件，里面的内容是字节流：BA、BA、D7、D6。Windows应该去怎么解释它呢？

 

是按照Unicode编码解释、还是按照GBK解释、还是按照BIG5解释，还是按照ISO8859-1去解释？如果按GBK去解释，就会得到“汉字”两个字。按照其它编码解释，可能找不到对应的字符，也可能找到错误的字符。所谓“错误”是指与文本作者的本意不符，这时就产生了乱码。

 

答案是Windows按照当前的缺省代码页去解释文本文件里的字节流。缺省代码页可以通过控制面板的区域选项设置。记事本的另存为中有一项ANSI，其实就是按照缺省代码页的编码方法保存。

 

Windows的内码是Unicode，它在技术上可以同时支持多个代码页。只要文件能说明自己使用什么编码，用户又安装了对应的代码页，Windows就能正确显示，例如在HTML文件中就可以指定charset。

 

有的HTML文件作者，特别是英文作者，认为世界上所有人都使用英文，在文件中不指定charset。如果他使用了0x80-0xff之间的字符，中文 Windows又按照缺省的GBK去解释，就会出现乱码。这时只要在这个html文件中加上指定charset的语句，例如：

<metahttp-equiv="Content-Type" content="text/html;charset=ISO8859-1">

如果原作者使用的代码页和ISO8859-1兼容，就不会出现乱码了。

 

再说区位码，啊的区位码是1601，写成16进制是0x10,0x01。这和计算机广泛使用的ASCII编码冲突。为了兼容00-7f的ASCII编码，我们在区位码的高、低字节上分别加上A0。这样“啊”的编码就成为B0A1。我们将加过两个A0的编码也称为GB2312编码，虽然GB2312的原文根本没提到这一点。

Dos/Unix 的文本区别

在计算机领域里，所谓文本就是不含任何格式的文字！

 

DOS下和UNIX下的文本格式在换行符有些差异：UNIX是\n，而Windows\DOS下是\r\n

即基于DOS/Windows的文本文件在每一行末尾有一个CR（回车）和 LF（换行），而 UNIX文本只有一个换行。

MAC的换行符为CR

 

JC:DOS和unix是文本的运行环境

JC:UTF-8，Unicode、ASCII等多种文本编码格式是文本文件的存储编码方式

 

ultraedit中^n（表示UNIX文件中的回车换行符号），^p（表示DOS文件中的回车换行符号）

 

 

 

手机认证测试

 

一致性测试

包括：射频测试、协议测试、音频测试、OTA测试和EMC测试等

 

GCF

Global Certification Forum,全球认证论坛                                                                                            

GCF是由运营商和终端制造商共同成立的一个组织，目的是通过独立的认证过程来确保终端的全球互操作。                                                                                             

它包含了主要的GSM(或未来的UMTS)网络运营商和世界上主流的终端制造商，并邀请测试仪器仪表开发商参加GCF的活动                                                                                              

定义了每个终端所必须接受的测试，保证了终端的可靠、一致的行为。                                                                                             

PTCRB

PCS Type Certification Review Board（PCS型号认证委员会），成立于1997年3月，并于2001年5月加入了对GSM850频段的要求，是美国标准化组织发展的一个重要的里程碑。                                                                                                 

与GCF类似的，PTCRB也是有运营商和一些大的手机厂商组成，还包括一些认可实验室。PTCRB的成员分为两个级别，完全会员（Full or ActiveMembers）和观察员（Passiveor Observing Members）。                                                                                           

                                                                                                 

FTA

FTA测试全称是全面型号认证（FULL TYPE APPROVAL）。所有的移动电话生产企业为了使自己生产的手机能进入市场，都必须取得国际移动设备标识（该标识在全球范围内是唯一的），                                                                                            

即IMEI, IMEI是由GSM MOU(即GSM联盟，包括GSM的运营商和GSM手机的生厂商)组织授权的中立的发证机构（NOTIFY BODY）

根据FTA 认证实验室的测试报告发放。其内容分为软件测试、硬件测试和电磁兼容测试，测试项目共有三百多项

 

CTA

china type approval

 

 

 

 

 

 

 

 

 

手机生产环节

BVT

BVT是Build Verification Test，基本验证测试，对完成的代码进行编译和连接，产生一个构造，以检查程序的主要功能是否会像预期一样进行工作。

DVT

DVT是Design Verification Test的简称，设计验证测试，是硬件生产中不可缺少的一个检测环节，包括模具测试、电子性能、外观测试等等。

PVT

PVT全称为Process Verification Test，意为小批量过程验证测试，硬件测试的一种，主要验证新机型的各功能实现状况并进行稳定性及可靠性测试

EVT

EVT-Engineer Verification Test，工程样品验证测试

数据校验（奇偶、CRC）

1.1什么是数据校验

通俗的说，就是为保证数据的完整性，用一种指定的算法对原始数据计算出的一个校验值。接收方用同样的算法计算一次校验值，如果和随数据提供的校验值一样，就说明数据是完整的。

1.2最简单的检验

实现方法：最简单的校验就是把原始数据和待比较数据直接进行比较，看是否完全一样这种方法是最安全最准确的。同时也是效率最低的。

适用范围：简单的数据量极小的通讯。

 

关于比较流行的数据校验算法有很多，如奇偶校验Parity Check、 bcc异或校验法(blockcheck character)、 crc循环冗余校验(Cyclic Redundancy Check)、 md5校验。各个算法的适用范围不同，前两种适用于要求不太高的数据通信，cr则可用于硬盘数据和网络传输，而md5则适用于数据比较大或要求比较高的场合。

 

/***奇偶校验Parity Check******************************************/

实现方法：在数据存储和传输中，字节中额外增加一个比特位，用来检验错误。校验位可以通过数据位异或计算出来。

应用例子：单片机串口通讯有一模式就是8位数据通讯，另加第9位用于放校验值。

 

/***BCC******************************************/

bcc异或校验法(block check character)

实现方法：很多基于串口的通讯都用这种既简单又相当准确的方法。它就是把所有数据都和一个指定的初始值（通常是0）异或一次，最后的结果就是校验值，通常

把她附在通讯数据的最后一起发送出去。接收方收到数据后自己也计算一次异或和校验值，如果和收到的校验值一致就说明收到的数据是完整的。

校验值计算的代码类似于：

unsigned uCRC=0;//校验初始值

for(int i=0;i<DataLenth;i++)uCRC^=Data[i];

适用范围：适用于大多数要求不高的数据通讯。

应用例子：ic卡接口通讯、很多单片机系统的串口通讯都使用。

 

/***CRC******************************************/

Cyclic Redundancy Check

  下面为CRC的计算过程：    

  1．设置CRC寄存器，并给其赋值FFFF(hex)。    

  2．将数据的第一个8-bit字符与16位CRC寄存器的低8位进行异或，并把结果存入CRC寄存器。    

  3．CRC寄存器向右移一位，MSB补零，移出并检查LSB。    

  4．如果LSB为0，重复第三步；若LSB为1，CRC寄存器与多项式码相异或。    

  5．重复第3与第4步直到8次移位全部完成。此时一个8-bit数据处理完毕。    

  6．重复第2至第5步直到所有数据全部处理完成。    

  7．最终CRC寄存器的内容即为CRC值。

 

 

TTL / RS232 电平

 

Chipset UART is TTL; PC UART is RS232

S232电平为+12V为逻辑负,-12为逻辑正,TTL电平为5V为逻辑正,0为逻辑负