Kódování znaků

Dříve existovaly teletypery/teleprintery - po síti byl poslán znak a tele-type ho natiskl na papír.

S příchodem počítačů vznikala spousta různých standardů. Například v Japonsku vznikly 4 různé standardy mezi sebou nekompatibilní. To při odeslání textu z jednoho počítače na druhý produkovalo jen rozházený text. V japonštině pro označení takové situace dokonce vzniklo slovo mojibake.

ASCII

American Standard Code for Information Interchange. Standard pro kódování znaků vytvořený primárně pro teleprintery. Znaky jsou kódovány v sedmi bitech. Počet možných znaků je tedy 128. Znaky mají přesně definované číslo, ke kterému patří.

Znak A je v ASCII definován jako 65 1000001 a znak a jako 97 1100001. Lze tak jednoduše určit zakódované znaky okem přímo z binární soustavy.

{width=100%}

Z ASCII později vycházely standardy pro specifické jazyky, které mezi sebou nejsou kompatibilní.

UTF-8

Standard prvotně načrtnutý na ubrousku v jídelně (Ken Thompson a Rob Pike). Unicode má seznam 277021 znaků ve verzi (11.0 červen 2018). UTF-8 může kódovat až 1112064 znaků.

Příklad: Kdybychom chtěli zakódovat znak A přímo do např. 32b, dostali bychom 00000000000000000000000001000001. To nám navýší velikost souboru 4.5 krát. Staré počítače zároveň vyhodnotí nulový byte 00000000 jako konec řetězce.

Pokud v UTF-8 chceme zakódovat znak, který patří do ASCII tabulky (jde zakovat v sedmi bitech), zakódujeme ho stejně a na začátek přidáme nulu, tedy A 65 01000001.

Další znaky se kódují pomocí hlaviček v bytech.

110 udává, kolik hlaviček v řetězci je. V dalším bajtu je hlavička 10, která označuje začátek bloku. Prázdná místa x jsou použita jako datová. Pomocí hlaviček získáme strukturu dat a jejich odstraněním z řetězce bitů získáme samotná data.

UTF-8|Obsah bloků bez hlaviček|Číslo v base10 -|-|-|- 1101000110111000|10001111000|1114 111010011010111010011011|1001101110011011|39835

• Nenastane situace, kdy bude osm 0 za sebou
• Neplýtvá se místem

Tagy

unix kodovani unicode