讓你的軟體支援正體中文

中國台灣、香港的漢字用的是big5編碼，而大陸的漢字用的是gb編碼（gb2312也好，gbk也好），簡體中文軟體直接拿到正體中文環境下執行，問題就出來了。

怎麼辦呢？

我們的軟體是一款用c#.net+asp.net開發的，所謂b/s型的軟體，客戶端只須用瀏覽器訪問我們的伺服器就行了。很自然的就想到，把**中的所有的簡體字都轉換成繁體字，問題不就解決了嗎？

說幹就幹。從網上找來了一款轉換工具將全部**檔案轉換了一遍。編譯後執行，發覺靜態的文字或提示資訊確實已經變成了繁體，但從資料庫中拿出來的還是簡體（亂碼），轉換後的各種配置檔案也讀取出錯（因為程式仍然按gb編碼的格式進行讀取）。還有乙個問題，就是源**只能轉換一次。因為第一次轉換後gb變成了big5，如果再轉，就是big5轉big5，結果變得不可辨認。由於原始檔非常多，修改維護起來非常麻煩。

看來這種方法不可行。

那麼能不能給我們的軟體加上自適應的功能，增加對正體中文的支援呢？

asp.net中，頁面page有個物件response，該物件將http 響應資料傳送到客戶端，而response有個獲取或設定包裝篩選器物件的屬性filter，用於在傳輸之前修改http 實體主體。當建立stream 物件並將response.filter 屬性設定為stream 物件時，所有由response.write 傳送的http 輸出將通過篩選器。只要我們過載stream類，在stream類的write()方法中將gb碼轉換成big5碼，然後將response.filter = 過載stream類，就可以達到在資訊輸出到客戶端前先轉換的效果。

//頁面裝載事件

private void page_load(object sender, system.eventargs e)

簡體轉為繁體類cg2bfilter

public

class cg2bfilter : stream

//簡體轉為繁體

private

void writegb2big(byte buffer, int offset, int count)

//936

是簡體中文**頁編號

encoding e = encoding.getencoding(936);

string str = e.getstring(buffer,offset,count);

//有些簡體字沒有對應的big5,所以需要先轉換成繁體的gb,再進行轉換for( int i=0;i

}//950

是big5碼**頁編號

e = encoding.getencoding(950);

_sink.write(e.getbytes(str),0,e.getbytecount(str));}……

}這樣寫，是建立在待轉換的流全部都是gb編碼的基礎上的，而大多數情況下也沒有什麼問題，不過，如果乙個頁面存在表單控制項且控制項內有漢字內容隨同輸出時，那麼該頁面在執行過程中有回傳等重新整理動作的話，就可能出現亂碼。究其原因，是因為在頁面第一次開啟時，控制項值由簡體轉成了繁體，回傳的時候，則傳回伺服器的這部分控制項值也為繁體。接著再輸出，問題就來了：控制項值為繁體，而頁面本身還是簡體，也就是說，輸出流中存在混合編碼，這樣還一刀切將它們認為全是gb編碼來加以轉換就不行了，要加以區別。

怎麼區別呢？big5與gb有什麼區別嗎？很遺憾，並沒有什麼明顯的區別，也就是說，給你乙個漢字編碼，很難判斷它究竟是gb還是big5。一般傾向於認為低位元組在0x40~0x7f範圍的就是big5碼，因為沒有簡體字的低位元組在這個範圍。不過要注意，gb編碼也有繁體字，並且這些繁體字的低位元組也有位於0x40~0x7f的。所以這招並非萬靈丹。

將數值從高位元組0x81~0xff，低位元組0x40~0xff這樣組合輸出到頁面，如下：

string str = "";

encoding gbe = encoding.getencoding(936);

byte buffer = ;

for( byte y = 0x81;y<0xff;y++ )

}response.write(str);

然後在瀏覽器裡分別用gb編碼和big5編碼觀察，你會發現，這兩種編碼中，都存在著有些位元組值並沒有相應的漢字，而是一些奇怪的符號、問號甚至是空白。於是可以這樣認為：如果乙個漢字的位元組值在某種編碼中找不到漢字，則說明它不屬於這種編碼。經過認真比較歸納，兩種編碼都劃定了一些範圍，然後可以逐個考察輸出流中的漢字，看它是否落在該範圍，以此判定它屬於何種編碼。

雖然劃定了一些範圍，但gb和big5重疊的區域實在太多，有許多字用兩種編碼去套，好象都可以，逐個字轉換，誤差很大。後來發現了乙個很重要的思想，就是：在混合漢字編碼的流中，不同的漢字編碼總是不相鄰的，它們中間有西文字元隔開（因為網頁中，控制項值都包含在許多html標記之間），也就是說，如果有乙個漢字確定是某種編碼，則可以推斷與它相鄰的所有漢字都屬於同一種編碼。事實證明，這種思想使得轉換的準確性得到大幅度的提高。

修正後的類cg2bfilter：

public

class cg2bfilter : stream

p++;

if( p >= limit )

if( buffer[p] >= 0x40 && buffer[p] <= 0x7e

|| buffer[p-1] >= 0xa1 && buffer[p-1] <= 0xa3 && buffer[p] >= 0x40 && buffer[p] <= 0xa0

|| buffer[p-1] >= 0xa4 && buffer[p-1] <= 0xa9

|| ( buffer[p-1] >= 0xaa && buffer[p-1] <= 0xaf || buffer[p-1] >= 0xf8 && buffer[p-1] <= 0xfd ) && buffer[p] >= 0xa1 && buffer[p] <= 0xfe )

if( buffer[p] >= 0x7f && buffer[p] <= 0xa0

|| buffer[p-1] >= 0x81 && buffer[p-1] <= 0xa0

|| buffer[p-1] == 0xc6 && buffer[p] >= 0x7f && buffer[p] <= 0x0fe

|| buffer[p-1] >= 0xc7 && buffer[p-1] <= 0xc8

|| buffer[p-1] == 0xf9 && buffer[p] >= 0xdc

|| buffer[p-1] >= 0xfa )

}else

else

ischinese = false;

maybebig = false;

notbig = false;

q = p;}}

p++;}//

將while語句最後一輪迴圈未處理的部分在這裡處理

if( ischinese )

else

}else

}//處理物件為gb

private

void writegb2big(byte buffer, int offset, int count)

//處理物件為big5

private

void writebig(byte buffer, int offset, int count)

//處理物件為ascii

private

void writeascii(byte buffer, int offset, int count)……}

應用修正過的類後，瀏覽器用big5編碼瀏覽執行我們的軟體，效果令人非常滿意，幾乎看不到什麼亂碼，已經達到了實用的效果。不過繁簡切換是乙個相當複雜的問題，並不是僅僅是簡單地將簡體字轉換成繁體字就行了，有時還涉及到語義的問題。比如，簡體中文中，不論「發展」的「發」還是「頭髮」的「發」都是同乙個字，而在繁體中，它們是不同的兩個字。這部分已經超出了筆者現有的水平，不在考慮之列了。

讓你的軟體支援正體中文

讓你的軟體支援正體中文

亞馬遜Kindle現開始支援正體中文內容的供應

簡體中文與正體中文的轉換函式

讓你的軟體支援正體中文

讓你的軟體支援正體中文

亞馬遜Kindle現開始支援正體中文內容的供應

簡體中文與正體中文的轉換函式

相關推薦