Dùng Unicode chữ Việt trong .NET Căn bản Unicode chữ Việt ISO 10646 và Unicode ISO

Dùng Unicode chữ Việt trong .NET
Căn bản Unicode chữ Việt
ISO 10646 và Unicode
ISO (International Standard Organisation) 10646 là tiêu chuẩn quốc tế
nhằm cung ứng đủ số ký tự để dùng cho mọi chữ của tất cả ngôn ngữ trên thế
giới. Thay vì dùng 8 bits để biểu diễn chỉ 255 dấu hiệu, bây giờ người ta dùng
đến 16 bits để có thể biểu diễn đến trên 65000 dấu hiệu.

Hãy tưởng tượng một bài viết có thể chứa nhiều ngôn ngữ cùng một lúc. Hay
môt chương trình hiển thị các đề mục bằng ngôn ngữ địa phương, vì khi chương
trình khởi động nó nhận diện ra ngay là nó đang đuợc chạy ở xứ nào bằng cách
đọc Locale từ Windows .

Một trong những ưu điểm của tiêu chuẩn nầy là sự cố gắng để xáp nhập các tiêu
chuẩn 8 bit có sẵn để không cần phải thay đổi chúng. Thật ra ISO 10646 là tiêu
chuẩn quốc tế chính thức, còn Unicode thì được
Unicode Consortium (tập hợp
đại diện các công ty Tin Học lớn) soạn ra. Nhưng cả hai tiêu chuẩn gần như y
hệt nhau khi nói đến con số dùng để biểu diễn một chữ, con số nầy đuợc gọi là
code point. Thí dụ như code point của chữ
ả
là
1EA3
, của chữ
ơ
là
01A1
. Ðể
biểu diễn một code point, tùy theo cách encoding, có khi ta cần 1, 2, 3 hay 4
bytes .v.v., mỗi byte dùng cho code point người ta không gọi là byte hay octet,

mà lại gọi là code unit. Thỉnh thoảng, Unicode được cập nhật hóa, và ấn bản
mới nhất hiện giờ là 3.1.1.

ISO 10646 định nghĩa hai bộ CCS (Coded Character Sets), UCS-2 và UCS-4.
UCS-2 dùng 16 bits và là một phần nhỏ (subset) của UCS-4.
UCS-4 là một CCS dùng 31bits, chia thành 4 nhóm như sau:
7 bits 8 bits 8 bits 8 bits
1111111 11111111 11111111 11111111
Group Plane Row Cell

Cái Plane đầu tiên của UCS-4 với giá trị Group=0, Plane=0 cũng là chính UCS-2.
Nó còn đuợc gọi là BMP (Basic Multilingual Plane).

Code points trong UCS thường được viết dưới dạng u+????, mà ???? là con số
hexadecimal của code point. Characters có giá trị trong khoảng từ u+0021 đến
u+007E thì giống như ASCII và các characters trong khoảng từ u+00A0 đến
u+00FF thì giống như ISO 8859-1. Do đó rất dễ cho ta hoán chuyển giữa
ASCII hay ISO 8859-1 với UCS.
Unicode (version 3.0.1) thì dùng 20bit subset của UCS-4 làm Coded Character
Set.
Những Character Encoding Schemes
Có vài Character Encoding Schemes được đưa ra dùng: đó là UTF-8, UTF-16,
UTF-16LE, và UTF-16BE. UTF là viết tắt chữ Unicode Transformation
Format.
UTF-16
UTF-16 là một cách encoding dùng 20bit Unicode. Các characters trong BMP
được diễn tả bằng cách dùng giá trị 16bit của code point trong Unicode CCS. Có
hai cách để viết 16bit value trong một dòng (stream) 8bit . Có lẽ bạn đã nghe
qua chữ endian. Big Endian có nghĩa là cho Most Significant Byte đi trước, tức
là nằm bên trái - do đó ta có UTF-16BE. Còn Little Endian thì ngược lại, tức là

Least Significant Byte đi trước - do đó ta có UTF-16LE. Thí dụ, giá trị 16bit của
con số Hex1234 được viết là Hex12 Hex34 trong big endian và Hex34
Hex12 trong little endian.

Những characters không nằm trong BMP đuợc biểu diễn bằng cách dùng
surrogate pair (cặp thay thế). Code points có giá trị từ u+D800 đến u+DFFF
được dành riêng ra để dùng cho mục đích nầy. Trước hết, một code point có 20
bits được phân ra làm hai nhóm 10 bits. Nhóm Most Significant 10 bits đuợc
mapped vào một giá trị 10bit nằm trong khoảng từ u+D800 đến u+DBFF. Nhóm
Least Significant 10 bits đuợc mapped vào một giá trị 10bit nằm trong khoảng từ
u+DC00 đến u+DFFF. Theo cách đó UTF-16 có thể biểu diễn được những
characters Unicode có 20bits.
UTF-8
UTF-8 là một cách encoding để có tác dụng y như UCS-4 (cũng là UTF-16), chớ
không phải có code point nào khác. UTF-8 được thiết kế cho upward-compatible
với ASCII. UTF-8 không phải là chỉ dùng một byte, nhưng là dùng nhiều bytes -
từ 1 đến 6 bytes.

Cách hoán chuyển UTF-16 qua UTF-8 và ngược lại đuợc làm theo bảng dưới đây.
Trong Table dưới đây, những binary (Nhị phân) bits nằm bên trái của UTF-16
đuợc chuyển qua bên phải của UTF-8 theo cùng một màu như chỉ dẫn. Ta hãy
thử lấy thí dụ chữ
ả
với code point, hay UTF-16,
1EA3
. UTF-8 bytes của nó là
E1BAA3. Nếu bạn chưa quen cách dùng số nhị phân hay Hex hãy đọc qua bài
Hệ thống số nhị phân.

UCS-4 (UTF-16) UTF-8

1 E A 3 1110 ???? 10?? ???? 10?? ????
0001 1110 1010 0011 1110 0001 1011 1010 1010 0011
E 1 B A A 3
UTF-16 (Nhị phân)

UTF-8 (Nhị phân)

00000000 00000000 00000000 0??????? 0???????
00000000 00000000 00000??? ???????? 110????? 10??????
00000000 00000000 ???????? ???????? 1110???? 10?????? 10??????
00000000 000????? ???????? ???????? 11110??? 10?????? 10?????? 10??????
000000?? ???????? ???????? ???????? 111110?? 10?????? 10?????? 10?????? 10??????
0??????? ???????? ???????? ???????? 1111110? 10?????? 10?????? 10?????? 10?????? 10??????



Trong chữ Việt, chúng ta chỉ làm việc với một số tương đối ít Unicode code
points ( tổng cộng 134 ký tự) và UTF-8, bạn có thể hoặc dùng một Look-up table
dựa theo
Bản đối chiếu, hoặc dùng hai Functions ToUTF8 và ToUTF16 với
Listings như dưới đây để hoán chuyển từ encoding UTF-16 ra UTF-8, và ngược
lại:
Function ToUTF8(ByVal UTF16 As Long) As Byte()
' Convert a 16bit UTF-16BE to 2 or 3 UTF-8 bytes
Dim bArray() As Byte
If UTF16 < &H80 Then
ReDim bArray(0) ' one byte UTF-8
bArray(0) = UTF16 ' Use number as is
ElseIf UTF16 < &H800 Then
ReDim bArray(1) ' two byte UTF-8

bArray(1) = &H80 + (UTF16 And &H3F) ' Least Significant 6 bits
UTF16 = UTF16 \ &H40 ' Shift UTF16 number right 6 bits
bArray(0) = &HC0 + (UTF16 And &H1F) ' Use 5 remaining bits
Else
ReDim bArray(2) ' three byte UTF-8
bArray(2) = &H80 + (UTF16 And &H3F) ' Least Significant 6 bits
UTF16 = UTF16 \ &H40 ' Shift UTF16 number right 6 bits
bArray(1) = &H80 + (UTF16 And &H3F) ' Use next 6 bits
UTF16 = UTF16 \ &H40 ' Shift UTF16 number right 6 bits again
bArray(0) = &HE0 + (UTF16 And &HF) ' Use 4 remaining bits
End If
ToUTF8 = bArray ' Return UTF-8 bytes in an array
End Function


Function ToUTF16(bArray) As Long
' Convert 2 or 3 UTF-8 bytes to a 16bit UTF-16BE
Dim IntUB
IntUB = UBound(bArray) ' Find out how many bytes UTF-8 takes
Select Case IntUB
Case 0 ' one byte UTF-8. Note that bArray starts with index=0
ToUTF16 = bArray(0) ' Use number as is
Case 1 ' two byte UTF-8
ToUTF16 = (bArray(0) And &H1F) * &H40 + (bArray(1) And &H3F)
Case 2 ' three byte UTF-8
ToUTF16 = (bArray(0) And &HF) * &H1000 + (bArray(1) And &H3F) *
&H40 + (bArray(2) And &H3F)
End Select
End Function

Thật ra hai Functions ToUTF8 và ToUTF16 được viết ra để làm sáng tỏ cách
hoán chuyển giữa UTF-16 và UTF-8 mà thôi, vì trong .NET ta có thể tuyên bố
System.Text.Encoding để .NET tự động quản lý cách encoding cho chúng ta.
Xin lưu ý:
Hình chữ Ð có hai code points: &HD0 và &H110. Code point &HD0
là của chữ Latin Eth hoa ( chữ Latin Eth thường là ð) , còn code point &H110 là
của chữ Latin d hoa với stroke ( chữ Latin d thường với stroke là đ ) . Do đó ta
phải dùng code point &H110. Bạn có thể copy chữ Ð nầy ngay từ Browser để
paste vào chỗ nào cần thiết.

BOM (Byte Order Mark)
Vì Unicode nói chung hỗ trợ UTF-16BE, UTF-16LE và UTF-8, nên để có thể biết
được Text file trong Microsoft Windows đang chứa Unicode encoding kiểu nào, ở
đầu mỗi Unicode Text file có 2 hay 3 bytes gọi là Byte Order Mark như sau:
Character Encoding Scheme Byte Order Mark
UTF-16BE FE FF
UTF-16LE FF FE
UTF-8 EF BB BF
Khi viết Unicode ra Text file trong MSWindows, nếu dùng UTF-8 bạn chỉ cần viết
ở đầu file Byte Order Mark EF BB BF. Các bytes kế tiếp cứ theo đúng hoặc UTF-
8 characters thì dùng 2 hay 3 bytes hoặc ANSI characters thì dùng 1 byte.
Nếu dùng UTF-16LE (còn gọi gọn là Unicode trong ngôn ngữ Microsoft) thì viết
Byte Order Mark FF FE. Kế đó mỗi character phải viết ra 2 bytes dù là Unicode
hay không. Nếu character chỉ cần 1 byte, kể cả các characters như Carriage
Return (&H0D) và LineFeed (&H0A), thì viết thêm byte thứ nhì là 00 (Null byte).
Thí dụ:
Character Encoding Scheme Các bytes viết ra Text file
Text của file á à ả
UTF-16LE FF FE E1 00 20 00 E0 00 20 00 A3 1E
UTF-8 EF BB BF C3 A1 20 C3 A0 20 E1 BA A3

Câu hỏi đặt ra là Text File với encoding UTF-16LE hay UTF-8 chiếm nhiều chỗ
hơn. Câu trả lời là tùy theo trường hợp. Ðối với UTF-16 thì mỗi character cần 2
bytes, kể cả ANSI characters. Ðối với UTF-8 thì nếu là Unicode character thì cần
2 hay 3 bytes, còn ANSI character thì chỉ cần 1 byte.
Làm việc với Unicode chữ Việt trong .NET
Edit Unicode chữ Việt trong Visual Studio.NET IDE
Visual Studio.NET IDE hỗ trợ chữ Việt Unicode trong coding và comments của
VB.NET và C#. Để đánh chữ Việt, bạn có thể dùng VietKey, UniKey, VPSKey
.v.v.. IDE sẽ lưu trữ code dưới dạng UTF-8 nếu bạn set up Advanced Save
Option từ Menu command File như trong hình dưới đây: