开发者社区> 小桥河西> 正文
阿里云
为了无法计算的价值
打开APP
阿里云APP内打开

关于docbook sgml的中文字符支持

简介: 最近在参与PostgreSQL中国社区的文档中文化。PG的文档是一堆基于docbook的sgml文件。这些sgml可以通过工具转成html,pdf等各种不同格式。 这即是docbook所倡导的“内容和格式的分离”。
+关注继续查看
最近在参与PostgreSQL中国社区的文档中文化。PG的文档是一堆基于docbook的sgml文件。这些sgml可以通过工具转成html,pdf等各种不同格式。
这即是docbook所倡导的“内容和格式的分离”。然而当我尝试把翻译好的一个sgml文件用openjade转成html时,发现openjade报一堆类似的错误:"non SGML character number nnn"。
针对这一问题,经过调查,得到下面这些线索。

调查与分析

1. docbook的SGML中规定了使用的字符集,超出编码范围报错

类似于xml的 <?xml version="1.0" encoding="UTF-8" ?>,sgml也可以指定字符集,但形式上要复杂的多。
以下是docbook 4.2默认的字符集定义:

docbook.dcl

  1. ...
  2.     BASESET
  3.   "ISO 646:1983//CHARSET International Reference Version (IRV)//ESC 2/5 4/0"
  4.     DESCSET
  5.                     0 9 UNUSED
  6.                     9 2 9
  7.                    11 2 UNUSED
  8.                    13 1 13
  9.                    14 18 UNUSED
  10.                    32 95 32
  11.                   127 1 UNUSED

  12.     BASESET
  13.   "ISO Registration Number 100//CHARSET ECMA-94 Right Part of Latin Alphabet Nr. 1//ESC 2/13 4/1"
  14.     DESCSET
  15.                   128 32 UNUSED
  16.                   160 96 32
  17. ...
在上面标有"UNUSED"的code范围的字符为非法字符,遇到这些字符sgml解释器就会报错:"non SGML character number nnn"。
这也就是前面提到的错误的原因。

2. Bruce Momjian在PG社区的ML里表示sgml不支持UTF8

http://www.postgresql.org/message-id/200908131914.n7DJETG02802@momjian.us

  1. ...
  2. we cannot use UTF8 because SGML Docbook
  3.         does not support it
  4.           http://www.pemberley.com/janeinfo/latin1.html#latexta
  5. ...
我一开始没充分理解它的含义,我以为它绝了中文字符在sgml中出现可能性,我觉得这不太可能,于是没有太理会。

3. linux 中文doc计划使用字符替换的方式回避中文字符问题

linux 中文doc计划使用字符替换的方式回避中文字符问题
http://www.linux.org.tw/CLDP/OLD/zh-sgmltools-1.html

  1. ...
  2. 套件中包含一工具程式 mb2a, 可自標準輸入或檔案中讀取資料,將其中的 BIG5 或 GB 字元編碼成 @=XXXX 
  3. 的形式,其中 XXXX 就是該字的 BIG5 或 GB 碼。 這個程式同時也能將這種編碼的資料予以解碼。
  4. ...
我相信这个方法一定可以回避中文不能识别的问题,但我觉得这个方法有点土,应该有更优雅的方法。
而且我查到的资料比较老了,也许他们现在也不这么干了。

4.  有人尝试在SGML声明中重新指定字符集解决这个问题

看到有日本人尝试使用环境变量SP_ENCODING=utf-8,加上包含日文字符集自定义SGML声明实现转换,但是对某些SP_ENCODING=utf-8 处理不了的字符仍然会出错。
http://listserv.linux.or.jp/pipermail/vine-users/2010-October/000330.html

  1. ...
  2. 環境変数 SP_ENCODING に utf-8 をセットして,
  3. 添付ファイルを文書型(DOCTYPE)が書いてある
  4. ファイルの先頭に挿入すると,日本語で書いてある
  5. UTF-8のDocBook SGML文書をjadeで処理できました.
  6. ...
  7. いくつか警告が表示されます.またリリースノートなどに
  8. 書いてある人名のいくつかに SP_ENCODING=utf-8 では
  9. 扱えない文字があるようです.その部分を直さないと日本語の
  10. 有無に関わらず"非SGML数字"と表示されてエラーになりました.
  11. ...

japan-docbook.dcl

  1. ...
  2. CHARSET
  3. BASESET
  4. "ISO Registration Number 1//CHARSET C0 set of ISO 646//ESC 2/1 4/0"
  5. DESCSET 0 9 UNUSED
  6.      9 2 9
  7.      11 2 UNUSED
  8.      13 1 13
  9.      14 18 UNUSED

  10. BASESET
  11. "ISO Registration Number 14//CHARSET ISO 646 Japanese Version//ESC 2/8 4/10"
  12. DESCSET
  13. 32 95 32
  14. 127 1 UNUSED

  15. BASESET
  16. "ISO Registration Number 87//CHARSET JIS X 0208-1990//ESC 2/6 4/0 ESC 2/4 4/2"

  17. DESCSET
  18. 41344 33 UNUSED
  19. 41377 94 8481
  20. ...

这个方法似乎是一条不错的思路。我做了些尝试,
试图修改字符集的定义去欺骗openjade,最终发现这不太容易(也许这条路可行,谁知道呢?)。

无意的发现

最后的最后,无意中用GBK编码(之前一直使用UTF8编码)的sgml文件尝试,惊讶的发现openjade居然安静地完成了到html的转换。
什么个情况?再研究一下GBK的字符集定义,发现了其中的奥秘。

GBK的编码范围见下表,其中的GBK/1和GBK/2水准的汉字,即GB 2312-80用通常方法编码的区域,
正好落在docbook默认字符集的合法编码范围内。所以在GBK编码下这部分汉字会被openjade误以为是合法的扩展ACSII码,而欣然接受。
但是其他汉字就唬弄不了openjade了。幸运的是我们常用的汉字都在GBK/1和GBK/2(或者说gb2312)范围内,GBK相对于gb2312扩充的
汉字没那么常用,比如繁体字。至少对于PG文档的中文化,这些汉字应该够用了。

GBK的编码范围:
范围 第1字节 第2字节 编码数 字数
水准 GBK/1 A1A9 A1FE 846 717
水准 GBK/2 B0F7 A1FE 6,768 6,763
水准 GBK/3 81A0 40FE (7F除外) 6,080 6,080
水准 GBK/4 AAFE 40A0 (7F除外) 8,160 8,160
水准 GBK/5 A8A9 40A0 (7F除外) 192 166
用户定义 AAAF A1FE 564
用户定义 F8FE A1FE 658
用户定义 A1A7 40A0 (7F除外) 672
合计: 23,940 21,886


结论

问题算是解决,翻好的sgml文件使用GBK(或gb2312)编码而不是utf8存档,只要是gb2312编码范围内的字符都没有问题。
到此我突然明白了日本PG社区翻译后的sgml文件为什么是euc_jp编码而不是sjis或utf8,原来他们也是这么干的呀!
此外,最新的docbook5.0已经只有xml格式了,也许什么时候pg社区也会与时俱进放弃sgml改用xml。
我们知道xml要支持不同编码很容易,如果
使用xml格式的docbook的话,中文字符的支持就简单了。

参考资料

http://xml.coverpages.org/wlw11.html
http://zh.wikipedia.org/wiki/GBK
http://www.worldhello.net/doc/docbook_howto/
http://www.study-area.org/tips/docw/docwrite.html





版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
php utf-8编码 正则匹配中文
首先unicode里面 中文的区域的0x4e00-0x9fa5 在java或者js这种已unicode编码处理字符串的编程语言中 /^[\u4e00-\u9fa5]+$/就可以判断一个字符串是否全部为中文 那么php...
634 0
unicode转中文的工具
unicode转中文的工具
0 0
PHP中文字符串编码转换
2016年2月26日 16:47:13 星期五 情景: PHP从csv导入数据时乱码 $name = mb_convert_encoding($name, 'UTF-8', 'ASCII,GBK,GB2312');
494 0
RichView 中文 支持 RTF
如何让RichView导入RTF对中文支持良好?   答: 设计RichViewEdit1.RTFReadProperties.UnicodeMode := rvruOnlyUnicode; 如下图
582 0
让 SciTE 支持中文 utf-8 编码
让 SciTE 支持中文的文章,google一搜一大片,但都是设置成gbk编码的。对于我这种啥都utf-8的懒人来说,每次打开文件都要点 File - Encodeing - UTF-8 实在是太不方面了。
474 0
【Ruby on Rails解决】读取邮件时,Quoted-Printable编码怎么转成UTF-8
【Ruby on Rails解决】读取邮件时,Quoted-Printable编码怎么转成UTF-8
0 0
+关注
小桥河西
半个PostgreSQL DBA,热衷于数据库及分布式技术。 - https://github.com/ChenHuajun - https://pan.baidu.com/s/1eRQsdAa
文章
问答
文章排行榜
最热
最新
相关电子书
更多
低代码开发师(初级)实战教程
立即下载
阿里巴巴DevOps 最佳实践手册
立即下载
冬季实战营第三期:MySQL数据库进阶实战
立即下载