如果你现在使用的是chrome查看那么你是看不到我标题中的汉字的,显示为一个小方框,但是你使用edge查看的话,这个字就能正常的显示出来,不信你试试!
本故事源于我在做数据过程中遇到Unicode编码中的私人使用区PUA编码的汉字,然后导入到产品端后他们说有些汉字是乱码无法显示,然后针对这个问题进行了排查。
首先在我标题中的汉字是如下汉字:
Unicode
其实我之前的文章都提到过很多编码的问题,平时对编码问题也比较了解,所以拿到这个问题首先我这边数据处理用的utf-8,关于utf-8和unicode的关系就不赘述了。因为我这边能正常在sqlserver里面看到这个字,所以可以确定它不是一个乱码,至少是一个符合规范的unicode编码。然后我用工具查看了这个字的编码为 U+E188
。查看文字的unioncode编码也可以使用在线工具https://symbl.cc/cn/
关于Unicode的分区:
在Unicode中,码位的总范围为\x0到\x10FFFF,共1,114,112个码位。2048个用于编码代理(UTF-16),66个非字符码位(例如BOM),137,468个预留给私人使用,最终剩余974,530用于普通字符分配。
码位的最大值为\x10FFFF,对应二进制有21位,将216个值分为一组,Unicode总共可以分为17份,每一份称之为平面(Plane),每一个平面有65,536(216)个码位。
为什么Unicode的最大值为\x10FFFF?因为对于UTF16编码,双字节最多可编码220个字符,单字节可编码216个字符,加起来共17个平面的字符数。
平面编号 | 码位范围 | 名称简写 | 名称描述 |
---|---|---|---|
Plane 0 | 0000–FFFF | BMP | 基础多语言平面(Basic Multilingual Plane) |
Plane 2 | 10000–1FFFF | SMP | 补充多语言平面(Supplementary Multilingual Plane) |
Plane 2 | 20000–2FFFF | SIP | 补充表意语言平面(Supplementary Ideographic Plane) |
Plane 3 | 30000–3FFFF | TIP | 第三表意语言平面(Tertiary Ideographic Plane) |
Planes 4–13 | 40000–DFFFF | - (未分配) | - (未分配) |
Plane 14 | E0000–EFFFF | SSP | 补充特殊用途平面(Supplementary Special-purpose Plane) |
Planes 15–16 | F0000–10FFFF | SPUA-A/B | 补充私有使用区平面(Supplementary Private Use Area planes) |
通过这个平面表我们可以看到该字的编码在BMP中,Unicode中,私人使用区(PUA)是一系列代码点,根据定义,Unicode 联盟不会为其分配字符,定义了二个私人使用区域:一个位于基本多语言平面( U+E000-U+F8FF),一个位于并几乎覆盖平面 15 和 16(U+F0000-U+FFFFD ,U+ 100000-U+10FFFD )即SPUA。这些区域中的代码点不能被视为 Unicode 本身的标准化字符。
字符集和字体
Windows 允许 在双字节字符集中 (DBCS) 和 Unicode 中对非标准字符进行本地定义。 对于 DBCS,这些非标准字符称为最终用户定义字符, (EUDC) 。 Unicode 通过其专用区域 (PUA) 提供类似的功能。 应用程序通过使用关联的 DBCS 或 Unicode 字符值来标识指定的字符。
可以分配的 DBCS 字符值取决于指定的字符集。 每个东亚 Windows 代码页 至少有一个保留值范围用作 EUDC。 范围由 EUDCCodeRange 注册表项定义。 用于此目的的 Unicode 值始终来自 Unicode PUA,值 U+E000 到 U+F8FF,U+F0000 到 U+FFFFD,U+100000 到 U+10FFFD。
若要创建 EUDC 或 PUA 字符,用户选择指定范围内的字符值,并将 字形 添加到与该字符值相对应的条目中的字体中。 用户使用 EUDC 编辑器或使用从字体供应商处购买的字体包创建字形。 任何 DBCS 字体都可以包含 EUDC,任何 Unicode 字体都可以包含 PUA 字符。 如果字体仅包含 EUDC/PUA,则称为“独立”EUDC/PUA 字体。 如果字体包含标准字符和 EUDC,则为“集成”EUDC/PUA 字体。
系统默认的 EUDC/PUA 字体是操作系统自动与所有 DBCS 和 Unicode 字体关联的字体,但具有显式关联的 EUDC/PUA 字体的字体除外。 应用程序通过在 EUDC 注册表项下设置 SystemDefaultEUDCFont 名称的值来设置系统默认 的 EUDC /PUA 字体。 同样,应用程序可以通过在 EUDC 键下指定字体名称和关联的字体文件,将单独的 EUDC/PUA 字体与相应的字体相关联。 操作系统始终首先尝试查找当前所选字体中的 EUDC/PUA。 如果未找到该字体,则操作系统将在关联的 EUDC/PUA 字体中查找字符(如果已为当前所选字体定义了一个字体)。 如果仍然找不到字符,操作系统将在系统默认的 EUDC/PUA 字体中查找它。
TrueType 字体可以安装为 .ttf 文件或 .tte 文件。 由于操作系统隐藏 .tte 文件,因此应用程序无法使用 GDI API 函数枚举或以其他方式检查已安装的字体。 在许多操作系统上,系统默认的 EUDC/PUA 字体和单独的 EUDC/PUA 字体作为 .tte 文件安装。 EUDC 编辑器和控制面板等应用程序必须使用注册表项来添加、修改和删除此类字体
上面描述摘自微软文档https://learn.microsoft.com/zh-cn/windows/win32/intl/character-sets-and-fonts
EUDC 注册表项包含一个或多个子项,这些子项包含的值定义与给定代码页 的最终用户定义字符关联的字体 (EUDC) 。 它具有以下注册表位置:
HKEY_CURRENT_USER\EUDC
EUDCCodeRange 注册表项 (EUDC) 代码范围 (字符集) 定义最终用户定义字符。 它仅由创建 EUDC 的工具使用,对欧盟发展委员会用户没有直接关系。
显示
所以为啥微软系的应用能够显示这个字呢,上面字符集和字体描述可以看到自己可以定义EUDC,在微软字符映射表
中有一类叫做“专用字符”,而这个专用字符就是我们自己可以定义的PUA区域。
我们找到系统的字符映射表:
可以看到这个字刚好对应U+E188
。
我们找到注册表,并查看上面表格中codePage中对应的936为中文简体,看到字体文件位置。
找到对应的字体文件,并引入到html中,我们就能在任何浏览器看到这个字了。
简单的写一个html:
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8">
<style>
@font-face {
font-family: "SGPYEUDC";
src: url("SGPYEUDC_1.TTE") format("truetype");
}
</style>
</head>
<body style="font-family:Microsoft YaHei,SGPYEUDC">
<p></p>
</body>
</html>