让你的软件支持繁体中文

让你的软件支持繁体中文

中国台湾、香港的汉字用的是BIG5编码，而大陆的汉字用的是GB编码（GB2312也好，GBK也好），简体中文软件直接拿到繁体中文环境下运行，问题就出来了。

怎么办呢？

我们的软件是一款用C#.NET+ASP.NET开发的，所谓B/S型的软件，客户端只须用浏览器访问我们的服务器就行了。很自然的就想到，把代码中的所有的简体字都转换成繁体字，问题不就解决了吗？

说干就干。从网上找来了一款转换工具将全部代码文件转换了一遍。编译后运行，发觉静态的文字或提示信息确实已经变成了繁体，但从数据库中拿出来的还是简体（乱码），转换后的各种配置文件也读取出错（因为程序仍然按GB编码的格式进行读取）。还有一个问题，就是源代码只能转换一次。因为第一次转换后GB变成了BIG5，如果再转，就是BIG5转BIG5，结果变得不可辨认。由于源文件非常多，修改维护起来非常麻烦。

看来这种方法不可行。

那么能不能给我们的软件加上自适应的功能，增加对繁体中文的支持呢？

ASP.NET中，页面Page有个对象Response，该对象将 HTTP 响应数据发送到客户端，而Response有个获取或设置包装筛选器对象的属性Filter，用于在传输之前修改 HTTP 实体主体。当创建 Stream 对象并将 Response.Filter 属性设置为 Stream 对象时，所有由 Response.Write 发送的 HTTP 输出将通过筛选器。只要我们重载Stream类，在Stream类的Write()方法中将GB码转换成BIG5码，然后将Response.Filter = 重载Stream类，就可以达到在信息输出到客户端前先转换的效果。

//页面装载事件

private void Page_Load(object sender, System.EventArgs e)

{

// 在此处放置用户代码以初始化页面

Response.Filter = new CG2BFilter(Response.Filter);//设置筛选器

Response.Charset = “big5”;

……

}

简体转为繁体类CG2BFilter

public class CG2BFilter : Stream

{

……

//重载函数Write

public override void Write(byte[] buffer, int offset, int count)

{

WriteGB2BIG(buffer, offset, count);

}

//简体转为繁体

private void WriteGB2BIG(byte[] buffer, int offset, int count)

{

if( count == 0 )

{

return;

}

//936是简体中文代码页编号

Encoding e = Encoding.GetEncoding(936);

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

//有些简体字没有对应的Big5,所以需要先转换成繁体的GB,再进行转换 for( int i=0;i<str.Length;i++ )

{

//_SGB是部分GB2312简体中文字库，_tGB则是对应的GB2312繁体字库

int j = _sGB.IndexOf(str[i]);

if( j != -1 )

{

str = str.Replace(_sGB[j],_tGB[j]);

}

}

//950是BIG5码代码页编号

e = Encoding.GetEncoding(950);

_sink.Write(e.GetBytes(str),0,e.GetByteCount(str));

}

……

}

这样写，是建立在待转换的流全部都是GB编码的基础上的，而大多数情况下也没有什么问题，不过，如果一个页面存在表单控件且控件内有汉字内容随同输出时，那么该页面在运行过程中有回传等刷新动作的话，就可能出现乱码。究其原因，是因为在页面第一次打开时，控件值由简体转成了繁体，回传的时候，则传回服务器的这部分控件值也为繁体。接着再输出，问题就来了：控件值为繁体，而页面本身还是简体，也就是说，输出流中存在混合编码，这样还一刀切将它们认为全是GB编码来加以转换就不行了，要加以区别。

怎么区别呢？BIG5与GB有什么区别吗？很遗憾，并没有什么明显的区别，也就是说，给你一个汉字编码，很难判断它究竟是GB还是BIG5。一般倾向于认为低字节在0x40~0x7F范围的就是BIG5码，因为没有简体字的低字节在这个范围。不过要注意，GB编码也有繁体字，并且这些繁体字的低字节也有位于0x40~0x7F的。所以这招并非万灵丹。

将数值从高字节0x81~0xFF，低字节0x40~0xFF这样组合输出到页面，如下：

string str = "";

Encoding gbe = Encoding.GetEncoding(936);

byte[] buffer = {0,0};

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

{//高字节

str += "<br>";

for( byte x = 0x40;x<0xFF;x++ )

{//低字节

buffer[0] = y;

buffer[1] = x;

//以红色输出汉字，并注明其高低字节值

str += "&nbsp;0x" + y.ToString("X") + x.ToString("X") + "<font color=/"red/" size=4>" + gbe.GetString(buffer) + "</font>";

}

}

Response.Write(str);

然后在浏览器里分别用GB编码和BIG5编码观察，你会发现，这两种编码中，都存在着有些字节值并没有相应的汉字，而是一些奇怪的符号、问号甚至是空白。于是可以这样认为：如果一个汉字的字节值在某种编码中找不到汉字，则说明它不属于这种编码。经过认真比较归纳，两种编码都划定了一些范围，然后可以逐个考察输出流中的汉字，看它是否落在该范围，以此判定它属于何种编码。

虽然划定了一些范围，但GB和BIG5重叠的区域实在太多，有许多字用两种编码去套，好象都可以，逐个字转换，误差很大。后来发现了一个很重要的思想，就是：在混合汉字编码的流中，不同的汉字编码总是不相邻的，它们中间有西文字符隔开（因为网页中，控件值都包含在许多HTML标记之间），也就是说，如果有一个汉字确定是某种编码，则可以推断与它相邻的所有汉字都属于同一种编码。事实证明，这种思想使得转换的准确性得到大幅度的提高。

修正后的类CG2Bfilter：

public class CG2BFilter : Stream

{

……

public override void Write(byte[] buffer, int offset, int count)

{

int p = offset;

int q = p;

int limit = offset + count;

//这里定义了两个看似互相矛盾的布尔量：maybeBig，notBig，主要是让它们配合使用。maybeBig表明一段流中出现了有Big5编码特征的汉字，因此可能是大五码但不能肯定，而notBig表明一段流出现了不可能是Big5编码的汉字，则这段流肯定不是大五码。一段流只有在maybeBig为真，且notBig为假时才可能认为它是大五码。

bool maybeBig = false;

bool notBig = false;

bool isChinese = false;

while( p < limit )

{

if( buffer[p] >= 0x81 && buffer[p] <= 0xFE )

{//汉字

if( !isChinese )

{//此前不是汉字，先输出

WriteAscii(buffer,q,p-1-q+1);// 待处理的流是西文字符 isChinese = true;

q = p;

}

p++;

if( p >= limit )

{

break;

}

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 )

{//很可能是BIG5，由此可以推断，这相邻的汉字串都可能是BIG5

maybeBig = true;

}

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 )

{//肯定不是BIG，因为在此区间，BIG为空

notBig = true;

maybeBig = false;

}

}

else

{//非汉字

if( isChinese )

{//此前是汉字，先输出

if( maybeBig && !notBig)

{

WriteBIG(buffer,q,p-1-q+1);//待处理的流是BIG5

}

else

{//不肯定是繁体

WriteGB2BIG(buffer,q,p-1-q+1);// 待处理的流是GB

}

isChinese = false;

maybeBig = false;

notBig = false;

q = p;

}

}

p++;

}

//将while语句最后一轮循环未处理的部分在这里处理

if( isChinese )

{

if( maybeBig && !notBig )

{

WriteBIG(buffer,q,p-1-q+1);

}

else

{

WriteGB2BIG(buffer,q,p-1-q+1);

}

}

else

{

WriteAscii(buffer,q,p-1-q+1);

}

}

//处理对象为GB

private void WriteGB2BIG(byte[] buffer, int offset, int count){……}

//处理对象为BIG5

private void WriteBIG(byte[] buffer, int offset, int count){……}

//处理对象为ASCII

private void WriteAscii(byte[] buffer, int offset, int count){……}

……

}

应用修正过的类后，浏览器用BIG5编码浏览运行我们的软件，效果令人非常满意，几乎看不到什么乱码，已经达到了实用的效果。不过繁简切换是一个相当复杂的问题，并不是仅仅是简单地将简体字转换成繁体字就行了，有时还涉及到语义的问题。比如，简体中文中，不论“发展”的“发”还是“头发”的“发”都是同一个字，而在繁体中，它们是不同的两个字。这部分已经超出了笔者现有的水平，不在考虑之列了。