編碼方式

編碼方式

編碼方式就是指通過特定的壓縮技術,將某個視頻格式的檔案轉換成另一種視頻格式檔案的方式。

編碼概述

音頻數位化主要有壓縮與非壓縮兩種方式。較早出現的數字音頻播放機,如CD唱機和DAT錄音機,均採用線性PCM編碼來存儲音樂信號,為非壓縮方式。在高質量要求的音頻工作站和數字錄像機(如DVCPRO)上,現在也採用非壓縮的格式。?
我們目前常見的MPEG、Dolby Digital、DTS等則為壓縮方式。壓縮分為有損壓縮無損壓縮有損壓縮的目的是提高壓縮率,降低占用系統資源。可以根據實際需要選用不同的採樣速率、樣本分辨力(精度)和數據率。?
世廣數字衛星廣播系統的信源編碼技術採用MPEG-2.5第三層聲音編碼算法。第三層編碼算法最複雜、延時最大、效率最高。因此對一定的數據速率,第三層協定得到的音質最好。當然,用戶可根據需要選擇8—128Kbps範圍的不同速率。聲音質量可達到CD音質。
非壓縮編碼(PCM)
聲音之所以能夠數位化,是因為人耳所能聽到的聲音頻率不是無限寬的,主要在20kHz以上。按照抽樣定理,只有抽樣頻率大於40kHz,才能無失真地重建原始聲音。如CD採用44.1kHz的抽樣頻率,其他則主要採用48kHz或96kHz。
PCM(脈衝編碼調製)是一種將模擬語音信號變換為數位訊號的編碼方式。主要經過3個過程:抽樣、量化和編碼。抽樣過程將連續時間模擬信號變為離散時間、連續幅度的抽樣信號,量化過程將抽樣信號變為離散時間、離散幅度的數位訊號,編碼過程將量化後的信號編碼成為一個二進制碼組輸出。
壓縮編碼
PCM雖然為無損壓縮,但由典型的音頻信號表示的信號特性沒有達到最佳,也沒有很好的適應人耳聽覺系統的特定要求。PCM的數據量過高,從而造成存儲和傳輸方面的障礙,因此必須使用相應的技術降低數位訊號源的數據率,又儘可能不對節目造成損傷,這就是壓縮技術

編碼方式

搞清常用編碼特性是解決字元集編碼問題的基礎。字元集編碼的識別與轉換、分析各種亂碼產生的原因、編程操作各種編碼字元串(例如字元數計算、截斷處理)等都需要弄清楚編碼的特性。
了解一種字元集編碼主要是要了解該編碼的編碼範圍,編碼對應的字元集(都包含哪些字元),和其他字元集編碼之間的關係等。
ASCII
ASCII碼是7位編碼,編碼範圍是0x00-0x7F。ASCII字元集包括英文字母、阿拉伯數字和標點符號等字元。其中0x00-0x1F和0x7F共33個控制字元
只支持ASCII碼的系統會忽略每個位元組的最高位,只認為低7位是有效位。HZ字元編碼就是早期為了在只支持7位ASCII系統中傳輸中文而設計的編碼。早期很多郵件系統也只支持ASCII編碼,為了傳輸中文郵件必須使用BASE64或者其他編碼方式。
GB2312
GB2312是基於區位碼設計的,區位碼把編碼表分為94個區,每個區對應94個位,每個字元的區號和位號組合起來就是該漢字的區位碼。區位碼一般 用10進制數來表示,如1601就表示16區1位,對應的字元是“啊”。在區位碼的區號和位號上分別加上0xA0就得到了GB2312編碼。
區位碼中01-09區是符號、數字區,16-87區是漢字區,10-15和88-94是未定義的空白區。它將收錄的漢字分成兩級:第一級是常用漢字 計3755個,置於16-55區,按漢語拼音字母/筆形順序排列;第二級漢字是次常用漢字計3008個,置於56-87區,按部首/筆畫順序排列。一級漢 字是按照拼音排序的,這個就可以得到某個拼音在一級漢字區位中的範圍,很多根據漢字可以得到拼音的程式就是根據這個原理編寫的。
GB2312字元集中除常用簡體漢字字元外還包括希臘字母、日文平假名及片假名字母、俄語西里爾字母等字元,未收錄繁體中文漢字和一些生僻字。可以用繁體漢字測試某些系統是不是只支持GB2312編碼。
GB2312的編碼範圍是0xA1A1-0xFEFE,去掉未定義的區域之後可以理解為實際編碼範圍是0xA1A1-0xF7FE。
EUC-CN可以理解為GB2312的別名,和GB2312完全相同。
區位碼更應該認為是字元集的定義,定義了所收錄的字元和字元位置,而GB2312及EUC-CN是實際計算機環境中支持這 種字元集的編碼。HZ和ISO-2022-CN是對應區位碼字元集的另外兩種編碼,都是用7位編碼空間來支持漢字。區位碼和GB2312編碼的關係有點像 Unicode和UTF-8。
GBK
GBK編碼是GB2312編碼的超集,向下完全兼容GB2312,同時GBK收錄了Unicode基本多文種平面中的所有CJK漢字。同 GB2312一樣,GBK也支持希臘字母、日文假名字母、俄語字母等字元,但不支持韓語中的表音字元(非漢字字元)。GBK還收錄了GB2312不包含的 漢字部首符號、豎排標點符號等字元。
GBK的整體編碼範圍是為0x8140-0xFEFE,不包括低位元組是0×7F的組合。高位元組範圍是0×81-0xFE,低位元組範圍是0x40-7E和0x80-0xFE。
位元組是0x40-0x7E的GBK字元有一定特殊性,因為這些字元占用了ASCII碼的位置,這樣會給一些系統帶來麻煩。
有些系統中用0x40-0x7E中的字元(如“|”)做特殊符號,在定位這些符號時又沒有判斷這些符號是不是屬於某個 GBK字元的低位元組,這樣就會造成錯誤判斷。在支持GB2312的環境下就不存在這個問題。需要注意的是支持GBK的環境中小於0x80的某個位元組未必就 是ASCII符號;另外就是最好選用小於0×40的ASCII符號做一些特殊符號,這樣就可以快速定位,且不用擔心是某個漢字的另一半。Big5編碼中也存在相應問題。
CP936和GBK的有些許差別,絕大多數情況下可以把CP936當作GBK的別名。
GB18030
GB18030編碼向下兼容GBK和GB2312,兼容的含義是不僅字元兼容,而且相同字元的編碼也相同。GB18030收錄了所有Unicode3.1中的字元,包括中國少數民族字元,GBK不支持的韓文字元等等,也可以說是世界大多民族的文字元號都被收錄在內。
GBK和GB2312都是雙位元組等寬編碼,如果算上和ASCII兼容所支持的單位元組,也可以理解為是單位元組和雙位元組混合的變長編碼。GB18030編碼是變長編碼,有單位元組、雙位元組和四位元組三種方式。
GB18030的單位元組編碼範圍是0x00-0x7F,完全等同與ASCII;雙位元組編碼的範圍和GBK相同,高位元組是0x81-0xFE,低位元組 的編碼範圍是0x40-0x7E和0x80-FE;四位元組編碼中第一、三位元組的編碼範圍是0x81-0xFE,二、四位元組是0x30-0x39。
Windows中CP936代碼頁使用0x80來表示歐元符號,而在GB18030編碼中沒有使用0x80編碼位,用其他位置來表示歐元符號。這可以理解為是GB18030向下兼容性上的一點小問題;也可以理解為0x80是CP936對GBK的擴展,而GB18030隻是和GBK兼容良好。
BIG5
Big5是雙位元組編碼,高位元組編碼範圍是0x81-0xFE,低位元組編碼範圍是0x40-0x7E和0xA1-0xFE。和GBK相比,少了低位元組是0x80-0xA0的組合。0x8140-0xA0FE是保留區域,用於用戶造字區。
Big5收錄的漢字只包括繁體漢字,不包括簡體漢字,一些生僻的漢字也沒有收錄。GBK收錄的日文假名字元、俄文字元Big5也沒有收錄。因為Big5當中收錄的字元有限,因此有很多在Big5基礎上擴展的編碼,如倚天中文系統。Windows系統上使用的代碼頁CP950也可以理解為是對Big5的擴展,在Big5的基礎上增加了7個漢字和一些符號。Big5編碼對應的字元集是GBK字元集的子集,也就是說Big5收錄的字元是GBK收錄字元的一部分,但相同字元的編碼不同。
因為Big5也占用了ASCII的編碼空間(低位元組所使用的0x40-0x7E),所以Big5編碼在一些環境下存在和GBK編碼相同的問題,即低位元組範圍為0x40-0x7E的字元有可能會被誤處理,尤其是低位元組是0x5C("/")和0x7C("|")的字元。可以參考GBK一節相應說明。
儘管有些區別,大多數情況下可以把CP950當作Big5的別名。
ISO-8859-1
ISO-8859-1編碼是單位元組編碼,向下兼容ASCII,其編碼範圍是0x00-0xFF,0x00-0x7F之間完全和ASCII一致,0x80-0x9F之間是控制字元,0xA0-0xFF之間是文字元號。
ISO-8859-1收錄的字元除ASCII收錄的字元外,還包括西歐語言、希臘語、泰語、阿拉伯語、希伯來語對應的文字元號。歐元符號出現的比較晚,沒有被收錄在ISO-8859-1當中。
因為ISO-8859-1編碼範圍使用了單位元組內的所有空間,在支持ISO-8859-1的系統中傳輸和存儲其他任何編碼的位元組流都不會被拋棄。換言之,把其他任何編碼的位元組流當作ISO-8859-1編碼看待都沒有問題。這是個很重要的特性,MySQL資料庫默認編碼是Latin1就是利用了這個特性。ASCII編碼是一個7位的容器,ISO-8859-1編碼是一個8位的容器。
Latin1是ISO-8859-1的別名,有些環境下寫作Latin-1。
UCS-2和UTF-16
Unicode組織和ISO組織都試圖定義一個超大字元集,目的是要涵蓋所有語言使用的字元以及其他學科使用的一些特殊符號,這個字元集就是通用字元集(UCS,Universal Character Set)。這兩個組織經過協調,雖然在各自發展,但定義的字元位置是完全一致的。ISO相應的標準是ISO 10646。Unicode和ISO 10646都在不斷的發展過程中,所以會有不同的版本號來標明不同的發展階段,每個Unicode版本號都能找到相對應的ISO 10646版本號。
ISO 10646標準定義了一個31位的字元集。前兩個位元組的位置(0x0000-0xFFFD)被稱為基本多語言面(Basic Multilingual Plane, BMP) ,超出兩個位元組的範圍稱作輔助語言面。BMP基本包括了所有語言中絕大多數字元,所以只要支持BMP就可以支持絕大多數場合下的套用。Unicode 3.0對應的字元集在BMP範圍內。
UCS字元集為每個字元分配了一個位置,通常用“U”再加上某個字元在UCS中位置的16進制數作為這個字元的UCS表示,例如“U+0041”表示字元“A”。UCS字元U+0000到U+00FF與ISO-8859-1完全一致。
UCS-2、UTF-16是UCS字元集(或者說是Unicode字元集)實際套用中的具體編碼方式。UCS-2是兩個位元組的等寬編碼,因為只是使用了兩個位元組的編碼空間,所以只能對BMP中的字元做編碼。UTF-16是變長編碼,用兩個位元組對BMP內的字元編碼,用4個位元組對超出BMP範圍的輔助平面內的字元作編碼。
UCS-2不同於GBK和Big5,它是真正的等寬編碼,每個字元都使用兩個位元組,這個特性在字元串截斷和字元數計算時非常方便。
UTF-16是UCS-2的超集,UTF-16編碼的兩位元組編碼方式完全和UCS-2相同,也就是說在BMP的框架內UCS-2完全等同與UTF-16。實際情況當中常常把UCS-16當作UCS-2的別名。
UCS-2和UTF-16在存儲和傳輸時會使用兩種不同的位元組序,分別是big endian和little endian(大尾和小尾)。例如“啊”(U+554A)用big endian表示就是0x554A,用little endian表示就是0x4A55。UCS-2和UTF-16默認的位元組序是big endian方式。在傳輸過程中為了說明位元組序需要在位元組流前加上BOM(Byte order Mark),0xFEFF表示是big endian,0xFFFE表示是little endian。UCS-2BE、UCS-2LE是實際套用中使用的編碼名稱,對應著big endian和little endian,UTF-16BE、UTF-16LE也是如此。因為默認是BE位元組序,所以可以把UCS-2當做是UCS-2BE的別名。
在UCS編碼中有一個叫做“ZERO WIDTH NO-BREAK SPACE”的字元,它的編碼是U+FEFF,是個沒有實際意義的字元。UCS規範建議我們在傳輸位元組流前,先傳輸字元“ZERO WIDTH NO-BREAK SPACE”,如果傳輸的ZERO WIDTH NO-BREAK SPACE是0xFEFF就說明是big endian,反之就是little endian。
UCS-2和UTF-16也可以理解為和ASCII以及ISO-8859-1兼容,在ASCII編碼或者ISO-8859-1編碼的每個位元組前加上0x00,就得到相應字元的UCS-2編碼。
UCS-2和UTF-16中會使用0x00作為某個字元編碼的一部分,某些系統會把0x00當作字元串結束的標誌,在處理UCS-2或UTF-16編碼時會出現問題。
UTF-8
UTF-8是UCS字元集的另一種編碼方式,UTF-16的每個單元是兩個位元組(16位),而UTF-8的每個單元是一個位元組(8位)。UTF-16中用一個或兩個雙位元組表示一個字元,UTF-8中用一個或幾個單位元組表示一個字元。
可以認為UTF-8編碼是根據一定規律從UCS-2轉換得到的,從UCS-2到UTF-8之間有以下轉換關係:
UCS-2 UTF-8
U+0000 - U+007F 0xxxxxxx
U+0080 - U+07FF 110xxxxx 10xxxxxx
U+0800 - U+FFFF 1110xxxx 10xxxxxx 10xxxxxx
例如“啊”字的UCS-2編碼是0x554A,對應的二進制是0101 0101 0100 1010,轉成UTF-8編碼之後的二進制是1110 0101 10 010101 10 001010,對應的十六進制是0xE5958A。
UCS-4也是一種UCS字元集的編碼方式,是使用4個位元組的等寬編碼,可以用UCS-4來表示BMP之外的輔助面字元。UCS-2中每兩個位元組前再加上0x0000就得到了BMP字元的UCS-4編碼。從UCS-4到UTF-8也存在轉換關係,根據這種轉換關係,UTF-8最多可以使用六個位元組來編碼UCS-4。
根據UTF-8的生成規律和UCS字元集的特性,可以看到UTF-8具有的特性:
UTF-8完全和ASCII兼容,也就是說ASCII對應的字元在UTF-8中和ASCII編碼完全一致。範圍在0x00-0x7F之內的字元一定是ASCII字元,不可能是其他字元的一部分。GBK和Big5都存在的缺陷在UTF-8中是不存在的。
大於U+007F的UCS字元,在UTF-8編碼中至少是兩個位元組。
UTF-8中的每個字元編碼的首位元組總在0x00-0xFD之間(不考慮UCS-4支持的情況,首位元組在0x00-0xEF之間)。根據首位元組就可以判斷之後連續幾個位元組。
非首位元組的其他位元組都在0x80-0xBF之間;0xFE和0xFF在UTF-8中沒有被用到。
GBK編碼中的漢字字元都在UCS-2中的範圍都在U+0800 - U+FFFF之間,所以每個GBK編碼中的漢字字元的UTF-8編碼都是3個位元組。但GBK中包含的其他字元的UTF-8編碼就不一定是3個位元組了,如GBK中的俄文字元。
在UTF-8的編碼的傳輸過程中即使丟掉一個位元組,根據編碼規律也很容易定位丟掉的位置,不會影響到其他字元。在其他雙位元組編碼中,一旦損失一個位元組,就會影響到此位元組之後的所有字元。從這點可以看出UTF-8編碼非常適合作為傳輸編碼

相關詞條

相關搜尋

熱門詞條

聯絡我們