UTF-8

UTF-8 (8 -kousek Unikódový transformační formát) je různě dlouhý kódování charakteru to je používáno reprezentovat Unikód- zakódoval text používat proud bajtů.

Tabulka s obsahem

1 popis 2 výhody 3 Disadvantages 4 vnější spojení

Popis

UTF-8 je současně normalizován jako RFC 3629 (UTF-8, formát transformace ISO 10646), který je docela rozsáhlý a detailní. Nicméně, krátký přehled je přinesen dole, v případě že čtenář je zainteresovaný jen v obecném přehledu.

Charaktery, které jsou menší než 128 být zakódován s jediným bajtem, který obsahuje jejich hodnotu: tito si odpovídají přesně k 128 7 -kousek ASCII charaktery. V ostatních případech, několik bajtů je vyžadováno a pak vrchní kousek každého bajtu je 1, v objednávce jich být vždy větší než 127 a ne vypadat jako některý 7-kousl ASCII znaky (zvláště ones užitý na kontrolu, např. řádkový předěl). Zakódovaný charakter je rozdělen do několika skupin kousků, který být pak rozdělen mezi nižší pozice uvnitř těchto bajtů.

Rozsah kódu hexadecimální	UTF-16	UTF-8 binární	Poznámky
000000 - 00007F	00000000 0xxxxxxx	0xxxxxxx	ASCII rovnocennost rozsah; bajt začne nulou
000080 - 0007FF	00000xxx xxxxxxxx	10xxxxxx 110xxxxx	první bajt začne 11, následující bajt (s) začít 10
000800 - 00FFFF	xxxxxxxx xxxxxxxx	1110xxxx 10xxxxxx 10xxxxxx
010000 - 10FFFF	110110xx xxxxxxxx 110111xx xxxxxxxx	10xxxxxx 11110xxx 10xxxxxx 10xxxxxx	UTF-16 vyžaduje náhrady; vyrovnaný 0x10000 je odečten, tak vzor kousku není totožný s UTF-8

Například, alef charakteru (?), který je 0x05D0 unikóda, je zakódován do UTF-8 tímto způsobem:

• To se dostane do rozsahu 0x0080 k 0x07FF. To je proč to musí být zakódován používat 2 bajty, 110xxxxx 10xxxxxx.
• Hexadecimální 0x05D0 je ekvivalentní k binárním 101-1101-0000.
• 11 kousků je vloženo jejich objednávka do pozice se otiskovala “x “- s: 11010111 10010000.
• Konečný výsledek je dva bajty, více pohodlně vyjadřovaný jako dva hexadecimální bajty 0xD7 0x90. To je dopis aleph v UTF-8.

Tak prvních 128 charakterů potřebuje jeden bajt. Dalších 1920 charakterů potřebuje dva bajty kódovat. Toto zahrnuje Řeka, Cyrillic, Coptic, Armenian, Hebrejský, a Arabské charaktery. Zbytek UCS-2 charaktery používají tři bajty a další charaktery jsou zakódovány v 4 bajtech. (An dříve UTF-8 specifikace dovolila ještě vyšší kódové body být reprezentován, používání 5 nebo 6 bajtů, ale toto je už ne podporováno.)

Výhody

• Některé symboly unikóda (včetně Latinské abecedy) v UTF-8 bude natáčet jak malý jako 1 bajt, ačkoli jiní mohou pokračovat k 4. Tak UTF-8 bude obecně držet místo vyrovnal se UTF-16 (nejjednodušší kódování Unikóda) v textu kde 7-bitové ASCII znaky jsou obyčejné.
• Nejvíce existovat počítačový software (včetně operačních systémů) byl ne psaný s unikódem v mysli a používáním unikód s nimi by mohl vytvořit některé záležitosti kompatibility. Například, C standardní knihovna označí konec řetězce s charakterem, který má 1-kód bajtu 0x00 (hexadecimální). V UTF-16- zakódoval unikód anglický dopis “#rquote bude být kódovaný jak 0x0041. Knihovna bude zvažovat první bajt 0x00, zatímco konec řetězce a vůle ignorují něco po tom. UTF-8, nicméně, je navrhnut tak to kódovalo bajty nikdy přijmou některého speciality ASCII ' speciální znak ' hodnoty, předcházet tomuto a podobné problémy.
• UTF-8 řetězce mohou být tříděny používat standardní bajt-určoval rutiny třídění (nicméně tam bude žádná rozdílnost mezi mrtvicí a velkými písmeny s hodnotami překročit 128).
• Od vrcholu kousek je vždy soubor ve všech bajtech rozmanitý-bajt UTF-8 charaktery, většina softwaru navrženého k procesu ASCII nebo jiný 8-kódy kousku budou nikdy vidět některého je jako prostor tak bílá-prostor založil tokenizing rutiny budou pokračovat pracovat správně se UTF-8 zakódoval řetězce.
• Ačkoli zakódované charaktery jsou délka proměnné, jejich kódování je takové že jejich hranice mohou být nakresleny bez komplikovaný rozebrat.
• UTF-8 je implicitní hodnota pro XML formát.

Disadvantages

• UTF-8 je různě dlouhý; to znamená, že odlišné charakteristiky vezmou sledy odlišných délek kódovat. Ostrost toto mohlo být sníženo, nicméně, tím, že vytvoří abstraktní rozhraní k práci s UTF-8 řetězce, a dělat to všichni průhledný k uživateli.
• Zle-psaný (a non-standard-kompatibilní) UTF-8 analyzátor mohl přijímat číslo různý pseudo-UTF-8 reprezentace a přeměnit je na stejný unikódový výstup. Toto poskytuje cestu pro informace propustit minulé validační rutiny navržené k procesním datům v jeho 8-kousl reprezentaci.
• Ideographs používá 3 bajty v UTF-8, ale jediný 2 v UTF-16. Tak Číňan/japonský/korejský text začnou s více prostorem když reprezentovaný v UTF-8.

Externí odkazy

• RFC 3629, UTF-8 standard
• UTF-8 strana testu
• další UTF-8 strana testu