Category: Uncategorized


Hello world!

Welcome to WordPress.com. This is your first post. Edit or delete it and start blogging!

Advertisements
今天看到一篇很好的文章,把各种编码方案介绍的通俗易懂
原文在这里:
转载时修改了几处明显的输入错误(估计还有漏掉的) 

 

随便说说字符集和编码

  haoxiaobo.spaces.live.com

    快下班时,爱问问题的小朋友Nico又问了一个问题:
    "sqlserver里面有char和nchar,那个n据说是指unicode的数据,这个是什么意思。"
    并不是所有简单的问题都很容易回答,就像这个问题一样。于是我答应专门写一篇BLOG来从头讲讲编码的故事。那么就让我们找个草堆坐下,先抽口烟,看看夜晚天空上的银河,然后想一想要从哪里开始讲起。嗯,也许这样开始比较好……
   
   
    很久很久以前,有一群人,他们决定用8个可以开合的晶体管来组合成不同的状态,以表示世界上的万物。他们看到8个开关状态是好的,于是他们把这称为"字节"。
    再后来,他们又做了一些可以处理这些字节的机器,机器开动了,可以用字节来组合出很多状态,状态开始变来变去。他们看到这样是好的,于是它们就把这机器称为"计算机"。
   
    开始计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。
    他们把其中的编号从0开始的32种状态分别规定了特殊的用途,一但终端、打印机遇上约定好的这些字节被传过来时,就要做一些约定的动作。遇上00×10, 终端就换行,遇上0x07, 终端就向人们嘟嘟叫,例如遇上0x1b, 打印机就打印反白的字,或者终端就用彩色显示字母。他们看到这样很好,于是就把这些0x20以下的字节状态称为"控制码"。
    他们又把所有的空格、标点符号、数字、大小写字母分别用连续的字节状态表示,一直编到了第127号,这样计算机就可以用不同字节来存储英语的文字了。大家看到这样,都感觉很好,于是大家都把这个方案叫做 ANSI 的"Ascii"编码(American Standard Code for Information Interchange,美国信息互换标准代码)。当时世界上所有的计算机都用同样的ASCII方案来保存英文文字。
    后来,就像建造巴比伦塔一样,世界各地的都开始使用计算机,但是很多国家用的不是英文,他们的字母里有许多是ASCII里没有的,为了可以在计算机保存他们的文字,他们决定采用127号之后的空位来表示这些新的字母、符号,还加入了很多画表格时需要用下到的横线、竖线、交叉等形状,一直把序号编到了最后一个状态255。从128到255这一页的字符集被称"扩展字符集"。从此之后,贪婪的人类再没有新的状态可以用了,美帝国主义可能没有想到还有第三世界国家的人们也希望可以用到计算机吧!
    等中国人们得到计算机时,已经没有可以利用的字节状态来表示汉字,况且有6000多个常用汉字需要保存呢。但是这难不倒智慧的中国人民,我们不客气地把那些127号之后的奇异符号们直接取消掉, 规定:一个小于127的字符的意义与原来相同,但两个大于127的字符连在一起时,就表示一个汉字,前面的一个字节(他称之为高字节)从0xA1用到0xF7,后面一个字节(低字节)从0xA1到0xFE,这样我们就可以组合出大约7000多个简体汉字了。在这些编码里,我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了,连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码,这就是常说的"全角"字符,而原来在127号以下的那些就叫"半角"字符了。
    中国人民看到这样很不错,于是就把这种汉字方案叫做 "GB2312"。GB2312 是对 ASCII 的中文扩展。
    但是中国的汉字太多了,我们很快就会发现有许多人的人名没有办法在这里打出来,特别是某些很会麻烦别人的国家领导人。于是我们不得不继续把 GB2312 没有用到的码位找出来老实不客气地用上。
    后来还是不够用,于是干脆不再要求低字节一定是127号之后的内码,只要第一个字节是大于127就固定表示这是一个汉字的开始,不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 GBK 标准,GBK 包括了 GB2312 的所有内容,同时又增加了近20000个新的汉字(包括繁体字)和符号。
    后来少数民族也要用电脑了,于是我们再扩展,又加了几千个新的少数民族的字,GBK 扩成了 GB18030。从此之后,中华民族的文化就可以在计算机时代中传承了。
    中国的程序员们看到这一系列汉字编码的标准是好的,于是通称他们叫做 "DBCS"(Double Byte Charecter Set 双字节字符集)。在DBCS系列标准里,最大的特点是两字节长的汉字字符和一字节长的英文字符并存于同一套编码方案里,因此他们写的程序为了支持中文处理,必须要注意字串里的每一个字节的值,如果这个值是大于127的,那么就认为一个双字节字符集里的字符出现了。那时候凡是受过加持,会编程的计算机僧侣们都要每天念下面这个咒语数百遍:
    "一个汉字算两个英文字符!一个汉字算两个英文字符……"
    
    因为当时各个国家都像中国这样搞出一套自己的编码标准,结果互相之间谁也不懂谁的编码,谁也不支持别人的编码,连大陆和台湾这样只相隔了150海里,使用着同一种语言的兄弟地区,也分别采用了不同的 DBCS 编码方案——当时的中国人想让电脑显示汉字,就必须装上一个"汉字系统",专门用来处理汉字的显示、输入的问题,但是那个台湾的愚昧封建人士写的算命程序就必须加装另一套支持 BIG5 编码的什么"倚天汉字系统"才可以用,装错了字符系统,显示就会乱了套!这怎么办?而且世界民族之林中还有那些一时用不上电脑的穷苦人民,他们的文字又怎么办?
    真是计算机的巴比伦塔命题啊!
    正在这时,大天使加百列及时出现了——一个叫 ISO (国际标谁化组织)的国际组织决定着手解决这个问题。他们采用的方法很简单:废了所有的地区性编码方案,重新搞一个包括了地球上所有文化、所有字母和符号的编码!他们打算叫它"Universal Multiple-Octet Coded Character Set",简称 UCS, 俗称 "UNICODE"。
    UNICODE 开始制订时,计算机的存储器容量极大地发展了,空间再也不成为问题了。于是 ISO 就直接规定必须用两个字节,也就是16位来统一表示所有的字符,对于ascii里的那些“半角”字符,UNICODE 保持其原编码不变,只是将其长度由原来的8位扩展为16位,而其他文化和语言的字符则全部重新统一编码。由于"半角"英文符号只需要用到低8位,所以其高8位永远是0,因此这种大气的方案在保存英文文本时会多浪费一倍的空间。
    这时候,从旧社会里走过来的程序员开始发现一个奇怪的现象:他们的strlen函数靠不住了,一个汉字不再是相当于两个字符了,而是一个!是的,从 UNICODE 开始,无论是半角的英文字母,还是全角的汉字,它们都是统一的"一个字符"!同时,也都是统一的"两个字节",请注意"字符"和"字节"两个术语的不同,“字节”是一个8位的物理存贮单元,而“字符”则是一个文化相关的符号。在UNICODE 中,一个字符就是两个字节。一个汉字算两个英文字符的时代已经快过去了。
    从前多种字符集存在时,那些做多语言软件的公司遇上过很大麻烦,他们为了在不同的国家销售同一套软件,就不得不在区域化软件时也加持那个双字节字符集咒语,不仅要处处小心不要搞错,还要把软件中的文字在不同的字符集中转来转去。UNICODE 对于他们来说是一个很好的一揽子解决方案,于是从 Windows NT 开始,MS 趁机把它们的操作系统改了一遍,把所有的核心代码都改成了用 UNICODE 方式工作的版本,从这时开始,WINDOWS 系统终于无需要加装各种本土语言系统,就可以显示全世界上所有文化的字符了。
    但是,UNICODE 在制订时没有考虑与任何一种现有的编码方案保持兼容,这使得 GBK 与UNICODE 在汉字的内码编排上完全是不一样的,没有一种简单的算术方法可以把文本内容从UNICODE编码和另一种编码进行转换,这种转换必须通过查表来进行。
    如前所述,UNICODE 是用两个字节来表示为一个字符,这就总共可以组合出65535不同的字符,这大概已经可以覆盖世界上所有文化的符号。如果还不够也没有关系,ISO已经准备了UCS-4方案,说简单了就是四个字节来表示一个字符,这样我们就可以组合出21亿个不同的字符出来(最高位有其他用途),这大概可以用到银河联邦成立那一天吧!
   
    UNICODE 来到时,一起到来的还有计算机网络的兴起,UNICODE 如何在网络上传输也是一个必须考虑的问题,于是面向传输的众多 UTF(UCS Transfer Format)标准出现了,顾名思义,UTF8就是每次8个位传输数据,而UTF16就是每次16个位,只不过为了传输时的可靠性,从UNICODE到UTF时并不是直接的对应,而是要过一些算法和规则来转换。

    从网上引来一段从UNICODE到UTF8的转换规则:

 

Unicode

UTF-8

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,所以要用3字节模板:1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是:0110 1100 0100 1001,将这个比特流按三字节模板的分段方法分为0110 110001 001001,依次代替模板中的x,得到:1110-0110 10-110001 10-001001,即E6 B1 89,这就是其UTF8的编码。 

    讲到这里,我们再顺便说说一个很著名的奇怪现象:当你在 windows 的记事本里新建一个文件,输入"联通"两个字之后,保存,关闭,然后再次打开,你会发现这两个字已经消失了,代之的是几个乱码!呵呵,有人说这就是联通之所以拼不过移动的原因。
    其实这是因为GB2312编码与UTF8编码产生了编码冲撞的原因。
    而当你新建一个文本文件时,记事本的编码默认是ANSI, 如果你在ANSI的编码输入汉字,那么他实际就是GB系列的编码方式,在这种编码下,"联通"的内码是:
    c1 1100 0001
    aa 1010 1010
    cd 1100 1101
    a8 1010 1000
    注意到了吗?第一二个字节、第三四个字节的起始部分的都是"110"和"10",正好与UTF8规则里的两字节模板是一致的,于是再次打开记事本时,记事本就误认为这是一个UTF8编码的文件,让我们把第一个字节的110和第二个字节的10去掉,我们就得到了"00001 101010",再把各位对齐,补上前导的0,就得到了"0000 0000 0110 1010",不好意思,这是UNICODE的006A,也就是小写的字母"j",而之后的两字节用UTF8解码之后是0368,这个字符什么也不是。这就是只有"联通"两个字的文件没有办法在记事本里正常显示的原因。 

    而如果你在"联通"之后多输入几个字,其他的字的编码不见得又恰好是110和10开始的字节,这样再次打开时,记事本就不会坚持这是一个utf8编码的文件,而会用ANSI的方式解读之,这时乱码又不出现了。

    受到过网络编程加持的计算机僧侣们都知道,在网络里传递信息时有一个很重要的问题,就是对于数据高低位的解读方式,一些计算机是采用低位先发送的方法,例如我们PC机采用的 INTEL 架构,这就叫little endian, 而另一些是采用高位先发送的方式, 这就叫big endian. 在网络中交换数据时,为了核对双方对于高低位的认识是否是一致的,采用了一种很简便的方法,就是在文本流的开始时向对方发送一个标志符——如果之后的文本是高位在位,那就发送"FEFF",反之,则发送"FFFE"。不信你可以用二进制方式打开一个UTF-X格式的文件,看看开头两个字节是不是这两个字节?

    顺便提一下little endian和big endian这两个网络术语的来历: 在<<格列佛游记>>中, 小人国中由于争论吃鸡蛋应该从大头敲还是从小头敲而分成了不同派系, 还发生了战争, 连皇帝都被干掉了. 在计算机技术发展中, 不同体系的硬件之间的通信也因为大头在前还是小头在前产生了同样严重的问题, 因此技术专家里比较幽默的那部分人—-那一绝大部分人—-就采用了"endian"这个有强烈政治隐喻的术语.
        
    好了,终于可以回答NICO的问题了,在数据库里,有n前缀的字串类型就是UNICODE类型,这种类型中,固定用两个字节来表示一个字符,无论这个字符是汉字还是英文字母,或是别的什么。

    下面的例子应该可以说明unicode型和ansi型的字段的区别:
    我们在任意类型的数据库中建一个表, 含有如下的字段.
    • nc nchar(10)
    • c char(10)
    然后, 我们再试着向其中加入下面的记录:
    • "1234567890", "1234567890"
    • "一二三四五六七八九十","一二三四五六七八九十"
    对于第一条记录, 两个字段都可以插入10个字符, 同时也都一个字符也多存不了. 
    但对于第二条记录,   nc字段可以把从"一"到"十"的数据都保存进去, 而c字段只能保存到"五", 再多就会出错.
    为什么? 因为在nchar字段里, 一个汉字一个字符, 10字符宽的字段就可以保存10个汉字. 而char字段里, 一个汉字算两个字符, 10字符宽的字段就只能保存5个汉字了.
    
    希望这篇文章对NICO有所帮助.

封印

考试在即,此地封印一月。

Recon初上手…

 
從來到漁場到現在,估計已經收了不少于50張東方同人音樂輯了。遊戲不可能每時每刻都在玩,音樂卻可以從早聽到晚。一直受著這樣的熏陶,自然也就有了自己擺弄擺弄這些音符的想法。
在音樂區haku大人置頂的介紹中似乎推薦用 SONAR 來入門,於是馬上找了 SONAR 4.04 來裝上。裝軟件這事咱算是老手了,不管是原始版、破解版還是註冊版等等都見得多了。H2O 的破解還真是厚道,沒有任何問題就裝好了。馬上導入一個 MIDI 文件來試一下。可是軟件啓動時總會提示 沒有 Midi input,整了一下午也沒讓這東西發出聲音來…汗…,弄得我差點就到技術區發個咨詢帖了
以上是前天的經歷
昨天又到音樂區閒逛,突然發現了玄女的那個 Reconstruction 教程。説來這帖倒也不是第一次見了,只是對 Reconstruction 沒什麽概念,不知道這貼到底是幹什麽的(笑),直到昨天,才終于領教到了這帖的意義,真是幫大忙了啊。終于發現,原來我一直都沒裝音源…狂汗…
找了個簡單的曲子稍微擺弄了下,換了幾個音色,改了改節奏…恩,暫時就這樣了,要學的還有很多啊,特別對於我這個對音樂知識相當缺乏的傢伙…
 
唉,舉目四望,看到什麽都想學,想一想又都缺乏時間…唉…
 
 

BGM list製作

 
氷精之求,放出 BGM list 製作方法:
其實很簡單。我想到很多播放器都支持 .m3u 這個標準播放列表格式,於是也來試一下看這個WMP支持不支持。首先製作一個 .m3u 格式的播放列表文件,這個簡單,幾乎所有常見的播放器都能做。當然,列表的内容就是你想在網上播放的内容,列表中的每個項目都必須是 URL 路徑(啊,你問爲什麽?你放你硬盤上的東西別人能聼嗎?)假設我們做好的這個文件為 playlist.m3u,接下來只要將 WMP 播放的文件地址指向這個 playlist.m3u 文件就行了。
不過還有個問題,WMP 會自動檢測地址的路徑,最後擴展名只能是 MP3 WMA WAV …有限的幾種格式,其中並沒有 m3u 格式。不過要騗過他太簡單了,我們就把 playlist.m3u 文件換個擴展名就行了,隨便哪個,只要他支持。不妨就改爲 playlist.mp3 吧。好了,剩下的都會做了吧… ^_^
 
這樣做的好處顯而易見,每次想加音樂時根本不用上 MSN Space,我們只要修改那個 playlist.mp3 文件就行了

看著不斷變化的 Windows Media Player 視頻窗口,突然有一種很浪費的感覺,這麽塊地方難道就放一些亂七八糟的視頻效果嗎?那麽多好的動畫片段,何不把這裡好好利用一下呢?

於是找來了AIR 動畫預告DVD 的 AVI 。這個片頭第一次看時就給我留下了深刻印象,也許是因爲第一次看這麽高畫質的動畫吧。以後在每集的開頭,音樂總是伴隨著劇情發展適時響起,給人一種很開闊的感覺,每次聼后都有些感動。

但是原文件太大,5 分多鐘133MB 的體積在網上根本沒法實時觀看,要壓縮…這種事以前只用Helix Producer Plus 做過 RMVB 格式的,而MSN的這個播放器必然不能支持,看來只能用微軟的那一套了。不知什麽軟件好用,乾脆,就用微軟給帶的 Movie Maker 算了。選擇對應于 340kbps 的壓縮比,寬帶應該還能受得了吧,只是緩衝可能會比較久。找了半天似乎沒找到能單獨調節視頻和音頻壓縮質量的地方,只能兩個一起改。我需要低畫質高音質,畢竟這個屏幕還是有些小。算了,以後找到好軟件再説…之後又把交響樂之雨OP也加了進來。

基本完成,以後會慢慢搜索相關軟件…

 

=========我====是====分====隔====綫=========

從本次開始正式加入五子棋棋譜討論塊,這個東西也算是一個愛好了吧…本人時常出沒于QQ遊戲五子棋。以前常在有禁手區,混到1段170分左右,最近又改到無禁手區放鬆一下,這裡果然水平低一些,很容易上2段。
説來比較喜歡整個局面都能由自己控制的棋類,對於需要運氣成分在内的棋牌類一向不喜歡,如軍棋、麻將、撲克等,縂有種撞大運的感覺。

首先説明規則:傳統走法(第一步走天元,黑方三三、四四、長連禁手) ,三手交換和五手兩打暫不考慮。

就先從最常見,也是最基礎的 花月、浦月侷 說起吧。

1.黑必勝?黑必敗?

在QQ遊戲上跟人下時,如果對方執黑,浦月侷,那麽第五手有很多人會走下圖中的點

       第1谱    1—5      共1谱 
    15┏┯┯┯┯┯┯┯┯┯┯┯┯┯┓
    14┠┼┼┼┼┼┼┼┼┼┼┼┼┼┨
    13┠┼┼┼┼┼┼┼┼┼┼┼┼┼┨
    12┠┼┼+┼┼┼┼┼┼┼+┼┼┨
    11┠┼┼┼┼┼┼┼┼┼┼┼┼┼┨
    10┠┼┼┼┼┼┼┼┼┼┼┼┼┼┨
    09┠┼┼┼┼┼④┼②┼┼┼┼┼┨
    08┠┼┼┼┼┼┼①┼┼┼┼┼┼┨
    07┠┼┼┼┼┼┼┼③┼┼┼┼┼┨
    06┠┼┼┼┼┼┼┼┼⑤┼┼┼┼┨
    05┠┼┼┼┼┼┼┼┼┼┼┼┼┼┨
    04┠┼┼+┼┼┼┼┼┼┼+┼┼┨
    03┠┼┼┼┼┼┼┼┼┼┼┼┼┼┨
    02┠┼┼┼┼┼┼┼┼┼┼┼┼┼┨
    01┗┷┷┷┷┷┷┷┷┷┷┷┷┷┛
        ABCDEFGHIJKLMNO

估計不少人都知道浦月侷是黑必勝,但前提是每一步都不能走錯,稍不留神就有可能被白棋佔優。其實在實戰中真正能做到浦月侷執黑必勝的話,他的水平就已經很高了。

上面的局面中,白棋如果去擋黑棋的話就正好中了黑方的圈套,因爲在J8和H6隨便放一點都將形成黑大優的局面,僅靠擋的話是很難防得住的。

可能在實戰中這樣開局黑方有很大的勝率,許多人以爲這是黑必勝的,其實這第五手恰恰是黑的一個必敗點,因爲這一手乃至下一手黑方都不能很快的形成有攻擊力的活三,而目前白棋已經是活二了,馬上就能形成連攻的形式。且,黑方的棋形很容易形成交叉活二,這又給白棋抓三三禁手創造了條件。

至於白方走哪一點才能取勝…下回再討論吧,呵呵。

 
=========我====是====分====隔====綫=========
 
晚上市里舉辦焰火晚會,走路一個多小時到達現場附近,卻由於霧太大沒找到具體位置,只聽見砲聲隆隆,不見半點焰火…鬱悶,只當是散步好啦…反正好多天沒出門了。

Gmail,YYC and SR…

好久没上了,今天打开 Gmail 一看竟然还剩 99 份 invitation。就在这里先做个广告了,有需要的在下面留言…
好像米国已经可以不需邀请函注册了,其他地区不知什么时候才能开放。
 
昨天温习一遍YYC,顺便给别人介绍什么是东方(难度嘛…当然是 Easy 了,本人弹幕苦手,给别人看的,出丑就不好了)用的素保命的结界组,没想到 RP 突然爆发,在前3关 SC 均告失败的情况下最后成绩竟然创了最好记录(什么?你问分数多少?这个…就算了吧,暂时还不想被高人pia死),看来以后还有提升的空间啊…Total Score 115xxxxxxx
 
SR中文爱藏版12月22日上市,在学校就下到完整镜像了,苦于硬盘空间不足,又正好是C69期间资源更显紧张。所以一直留到前天才把那张盘解开。可惜原版盘需要插镜像才能玩,这样游戏+镜像就是5.5GB空间,太浪费了。所以把以前破解过的SR日文版又找出来,两者组合一下竟然成了,仅需改动几个文件就能把那个日文版完完全全的改成繁体中文版了,还是免光盘的,且一并解决了弹奏界面歌词乱码等问题。恩,以前爱藏版CG有几张一直出不来,这下总算好了,可以复习一下了,呵呵。确实是很不错的剧情…

留言簿

請大家在此盡情發言
新來的傢伙先冒個泡再走