The OpenNET Project / Index page

[ новости /+++ | форум | теги | ]

Интерактивная система просмотра системных руководств (man-ов)

 ТемаНаборКатегория 
 
 [Cписок руководств | Печать]

utf-8 (7)
  • >> utf-8 (7) ( Русские man: Макропакеты и соглашения )
  • utf-8 (7) ( Linux man: Макропакеты и соглашения )
  •  

    НАЗВАНИЕ

    UTF-8 - ASCII-совместимая многобайтная кодировка Unicode  

    ОПИСАНИЕ

    Набор символов Unicode 3.0 является 16-битным кодом. Наиболее распространенная кодировка Unicode, известная как UCS-2, содержит последовательности 16-битных слов. Такие строки могут содержать комбинации символов (например, '\0' или '/'), которые имеют специальное значение в именах файлов и других параметрах функций из библиотеки языка C. Кроме того, большинство утилит UNIX предназначены для обработки ASCII-файлов и не могут читать 16-битные символы без специальной модификации. По этим причинам UCS-2 является неподходящей кодировкой имен файлов, текстовых файлов, переменных окружения Unicode и т.д. Стандарт ISO 10646 Universal Character Set (UCS) является 31-битным кодом, а используемая для него кодировка UCS-4 (последовательность 32-битных слов) имеет те же недостатки, что и описанные выше. Кодировка Unicode и UCS под названием UTF-8 лишена этих недостатков и является общим методом использования Unicode в Unix-подобных операционных системах.  

    СВОЙСТВА

    Кодировка UTF-8 обладает следующими полезными свойствами:
    *
    UCS-символы с кодами от 0x00000000 до 0x0000007f (стандартный набор US-ASCII ) кодируются как байты с кодами от 0x00 до 0x7f (совместимость с кодовой таблицей ASCII). Это означает, что файлы и строки, содержащие только 7-битные ASCII-символы, будут иметь одинаковое представление как в ASCII, так и в UTF-8.
    *
    Все UCS-символы с кодами > 0x7f кодируются как многобайтовые последовательности, содержащие только байты в диапазоне от 0x80 до 0xfd, так что ASCII-байты не окажутся частью другого символа и, как следствие, не будет проблем с использованием '\0' или '/'.
    *
    Сохраняется лексикографический порядок сортировки строк кодировки UCS-4.
    *
    При помощи UTF-8 могут быть закодированы все возможные 2^31 UCS.
    *
    В кодировке UTF-8 никогда не используются байты с кодами 0xfe и 0xff.
    *
    Первый байт многобайтовой последовательности, представляющей один не-ASCII UCS-символ, всегда находится в диапазоне от 0xc0 до 0xfd и указывает на длину этой последовательности. Все последующие байты в многобайтовой последовательности находятся в диапазоне от 0x80 до 0xbf. Это обеспечивает легкую ресинхронизацию, устраняет необходимость учитывать состояние входного потока (statelessness) и делает кодировку независимой от пропущенных байтов.
    *
    Символы UCS, закодированные в UTF-8, могут быть длиной до шести байтов, однако стандарт Unicode не определяет символов выше 0x10ffff, поэтому символы Unicode могут иметь максимальный размер в 4 байта в UTF-8.
     

    КОДИРОВКА

    Приведенные ниже последовательности байтов используются для отображения символов. Конкретная последовательность зависит от номера символа в кодировке UCS:
    0x00000000 - 0x0000007F:
    0xxxxxxx
    0x00000080 - 0x000007FF:
    110xxxxx 10xxxxxx
    0x00000800 - 0x0000FFFF:
    1110xxxx 10xxxxxx 10xxxxxx
    0x00010000 - 0x001FFFFF:
    11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
    0x00200000 - 0x03FFFFFF:
    111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
    0x04000000 - 0x7FFFFFFF:
    1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

    Позиции битов, обозначенные как xxx, заполняются соответствующими битами из кода символа в двоичном виде. Используется самая короткая из возможных многобайтовых последовательностей, которые могут представить код символа.

    Значения кодов UCS 0xd800-0xdfff (суррогаты UTF-16) также,как и 0xfffe и 0xffff (несимвольные значения UCS) не должны появляться в потоках UTF-8.  

    ПРИМЕРЫ ИСПОЛЬЗОВАНИЯ

    Символ Unicode с кодом 0xa9 = 1010 1001 (знак copyright) кодируется в UTF-8 как

    11000010 10101001 = 0xc2 0xa9 ,

    а символ с кодом 0x2260 = 0010 0010 0110 0000 (знак неравенства) кодируется так:

    11100010 10001001 10100000 = 0xe2 0x89 0xa0

     

    ЗАМЕЧАНИЯ К ПРИЛОЖЕНИЮ

    Пользователи должны выбирать локаль UTF-8, например в случае

    export LANG=en_GB.UTF-8

    для включения поддержки UTF-8 в приложениях.

    Программные приложения, которые должны знать о кодировках пользователя должны менять локаль только так, как показано в примере:

    setlocale(LC_CTYPE, "")

    и тогда программист далее может проверить выражение

    strcmp(nl_langinfo(CODESET), "UTF-8") == 0

    для определения, выбрана-ли локаль UTF-8 и будут-ли все стандартные текстовые потоки ввода и вывода, терминалы, содержание простых текстовых файлов, имена файлов и переменные окружения в кодировке UTF-8.

    Программисты, использующие однобайтовые кодировки, такие как, например, US-ASCII или ISO8859, должны помнить, что двойная посылка в локали UTF-8 теперь считается некорректной. Во-первых, один байт теперь не обязательно соотвествует одному символу. Во-вторых, современные эмуляторы терминала в UTF-8 также поддерживают Китайские, Японские и Корейские символы двойной ширины (double-width characters) также, как и комбинированные символы без пробелов, и вывод одного символа необязательно смещает курсор на одну позицию, как это было в ASCII. Библиотечные функции, такие как mbsrtowcs(3) и wcswidth(3), сейчас используются для подсчета количества символов и позиций курсора.

    Теперь стандартной ESC-последовательностью для переключения из схемы кодировки ISO 2022 (которая ранее использовалась в терминалах VT100) в UTF-8 будет ESC % G ("\x1b%G"). Соотвественно обратной последовательностью для переключения из UTF-8 в ISO 2022 будет ESC % @ ("\x1b%@"). Остальные последовательности ISO 2022 (такие, как для переключения в наборы G0 и G1) более не работают в режимах UTF-8.

    Надеемся, что в ближайшем будущем UTF-8 заменит ASCII и ISO 8859 на всех уровнях кодировки общих символов в POSIX-системах, что должно привести к более насыщенному выводу простого текста.  

    БЕЗОПАСНОСТЬ

    Стандарты Unicode и UCS требуют, чтобы производители UTF-8 использовали наименьшую возможную форму представления символов, то есть создание двухбайтной последовательности с первым байтом, равным 0xc0 запрещено. Стандарт Unicode 3.1 расширил это правило, запрещая программам воспринимать не самую короткую форму при вводе. Это сделано из соображений безопасности: если вводимые пользователем символы проверяются системой безопасности на возвожные нарушения, то программам остается проверить только ASCII версии символов "/../" и ";" ,или NUL, так-ка для этих символов может быть очень много не-ASCII способов представления в не самой короткой кодировке UTF-8.  

    СООТВЕТСТВИЕ СТАНДАРТАМ

    ISO/IEC 10646-1:2000, Unicode 3.1, RFC 2279, Plan 9.  

    АВТОРЫ

    Markus Kuhn <[email protected]>  

    СМ. ТАКЖЕ

    nl_langinfo(3), setlocale(3), charsets(7), unicode(7)


     

    Index

    НАЗВАНИЕ
    ОПИСАНИЕ
    СВОЙСТВА
    КОДИРОВКА
    ПРИМЕРЫ ИСПОЛЬЗОВАНИЯ
    ЗАМЕЧАНИЯ К ПРИЛОЖЕНИЮ
    БЕЗОПАСНОСТЬ
    СООТВЕТСТВИЕ СТАНДАРТАМ
    АВТОРЫ
    СМ. ТАКЖЕ


    Поиск по тексту MAN-ов: 




    Партнёры:
    PostgresPro
    Inferno Solutions
    Hosting by Hoster.ru
    Хостинг:

    Закладки на сайте
    Проследить за страницей
    Created 1996-2024 by Maxim Chirkov
    Добавить, Поддержать, Вебмастеру