|
Unicode (în engleză Unicode) este un standard de codificare a caracterelor. Mai simplu spus, acesta este un tabel de corespondență a caracterelor text ( , litere, elemente de punctuație) la coduri binare. Calculatorul înțelege doar succesiunea de zerouri și unu. Pentru ca acesta să știe ce anume ar trebui să afișeze pe ecran, este necesar să atribuiți un număr unic fiecărui caracter. În anii optzeci, caracterele erau codificate cu un octet, adică opt biți (fiecare bit este un 0 sau 1). Astfel, s-a dovedit că un tabel (este și o codificare sau un set) poate găzdui doar 256 de caractere. Acest lucru poate să nu fie suficient chiar și pentru o singură limbă. Prin urmare, au apărut multe codificări diferite, confuzie cu care deseori a dus la faptul că pe ecran apăreau niște farfurii ciudate în loc de text care poate fi citit. Era necesar un singur standard, care a devenit Unicode. Cea mai folosită codificare - UTF-8 (Unicode Transformation Format) folosește de la 1 la 4 octeți pentru a reprezenta un caracter.
Simboluri
Caracterele din tabelele Unicode sunt numerotate cu numere hexazecimale. De exemplu, litera majusculă chirilică M este U+041C. Aceasta înseamnă că se află la intersecția liniei 041 și a coloanei C. Puteți pur și simplu să-l copiați și apoi să-l lipiți undeva. Pentru a nu scotoci printr-o listă de mai mulți kilometri, ar trebui să folosiți căutarea. Când accesați pagina unui personaj, veți vedea numărul său Unicode și cum este scris în diferite fonturi. De asemenea, puteți introduce caracterul în sine în bara de căutare, chiar dacă în schimb este desenat un pătrat, cel puțin pentru a afla ce a fost. De asemenea, acest site are seturi speciale (și - aleatoare) de același tip de pictograme, colectate din secțiuni diferite, pentru ușurință în utilizare.
Standardul Unicode este internațional. Include semne ale aproape tuturor scenariilor din lume. Inclusiv cele care nu mai sunt folosite. Hieroglife egiptene, rune germanice, scriere mayașă, cuneiforme și alfabete ale statelor antice. Sunt prezentate, de asemenea, desemnările măsurilor și greutăților, notația muzicală și conceptele matematice.
Consorțiul Unicode în sine nu inventează caractere noi. Pe tabele se adaugă acele icoane care își găsesc aplicarea în societate. De exemplu, semnul rublei a fost folosit în mod activ timp de șase ani înainte de a fi adăugat la Unicode. Pictogramele Emoji (emoticons) au fost, de asemenea, utilizate pe scară largă în Japonia înainte de a fi incluse în codificare. Dar mărcile comerciale și siglele companiei nu sunt adăugate în principiu. Chiar și la fel de comun ca Apple Apple sau Windows flag. Până în prezent, aproximativ 120.000 de caractere au fost codificate în versiunea 8.0.
Calculatorul înțelege procesul de transformare a acestuia într-o formă care permite organizarea unei transmisii, stocări sau procesări automate mai convenabile a acestor date. În acest scop, se folosesc diverse tabele. Codificarea ASCII a fost primul sistem dezvoltat în Statele Unite pentru a lucra cu text în limba engleză, care a devenit ulterior răspândit în întreaga lume. Articolul de mai jos este dedicat descrierii, caracteristicilor, proprietăților și utilizării ulterioare. Afișarea și stocarea informațiilor într-un computerSimbolurile de pe monitorul unui computer sau al unui anumit gadget digital mobil sunt formate pe baza unor seturi de forme vectoriale de diferite caractere și a unui cod care vă permite să găsiți printre ele simbolul care trebuie introdus la locul potrivit. Este o secvență de biți. Astfel, fiecare caracter trebuie să corespundă în mod unic unui set de zerouri și uni care stau într-o anumită ordine unică. Cum a început totulDin punct de vedere istoric, primele computere au fost în limba engleză. Pentru a codifica informațiile simbolice în ele, a fost suficient să folosiți doar 7 biți de memorie, în timp ce 1 octet format din 8 biți a fost alocat în acest scop. Numărul de caractere înțeles de computer în acest caz a fost 128. Aceste caractere includ alfabetul englez cu semnele de punctuație, numerele și unele caractere speciale. Codificarea pe șapte biți în limba engleză cu tabelul corespunzător (pagina de cod), dezvoltată în 1963, a fost numită Codul standard american pentru schimbul de informații. De obicei, abrevierea „codificare ASCII” a fost folosită și este încă folosită până în prezent. Trecerea la multilingvismDe-a lungul timpului, computerele au devenit utilizate pe scară largă în țările care nu vorbesc engleza. În acest sens, a fost nevoie de codificări care să permită utilizarea limbilor naționale. S-a decis să nu reinventăm roata și să ia ca bază ASCII. Tabelul de codificare din noua ediție s-a extins semnificativ. Utilizarea celui de-al 8-lea bit a făcut posibilă traducerea a 256 de caractere într-un limbaj de calculator. 
DescriereCodificarea ASCII are un tabel care este împărțit în 2 părți. Standardul internațional general acceptat este considerat a fi doar prima jumătate a acestuia. Include: - Caractere cu numere de serie de la 0 la 31, codificate prin secvențe de la 00000000 la 00011111. Sunt rezervate caracterelor de control care controlează procesul de afișare a textului pe un ecran sau imprimantă, oferind un semnal sonor etc.
- Caracterele cu NN în tabel de la 32 la 127, codificate prin secvențe de la 00100000 la 01111111, formează partea standard a tabelului. Acestea includ un spațiu (N 32), litere ale alfabetului latin (minuscule și majuscule), numere din zece cifre de la 0 la 9, semne de punctuație, paranteze de diferite stiluri și alte simboluri.
- Caractere cu numere de serie de la 128 la 255, codificate prin secvențe de la 10000000 la 11111111. Acestea includ litere ale alfabetului național, altele decât cele latine. Această parte alternativă a tabelului de codificare ASCII este folosită pentru a converti caracterele rusești într-o formă de computer.
Unele proprietățiParticularitățile codificării ASCII includ diferența dintre literele "A" - "Z" ale literelor mici și mari cu un singur bit. Această împrejurare simplifică foarte mult conversia registrului, precum și verificarea acestuia pentru apartenența la un interval dat de valori. În plus, toate literele din sistemul de codificare ASCII sunt reprezentate de propriile numere de serie în alfabet, care sunt scrise în 5 cifre în sistemul de numere binar, precedate de 011 2 pentru literele mici și 010 2 pentru literele mari. Reprezentarea a 10 cifre - "0" - "9" poate fi, de asemenea, numărată printre caracteristicile codificării ASCII. În al doilea sistem de numere, ele încep cu 00112 și se termină cu 2 valori de numere. Astfel, 0101 2 este echivalent cu zecimala cinci, deci caracterul „5” este scris ca 0011 01012. Pe baza celor de mai sus, puteți converti cu ușurință numerele BCD într-un șir ASCII adăugând secvența de biți 00112 la fiecare nibble din stânga. 
„Unicode”După cum știți, sunt necesare mii de caractere pentru a afișa texte în limbile grupului din Asia de Sud-Est. Un astfel de număr dintre ele nu este descris în niciun fel într-un octet de informații, prin urmare, nici măcar versiunile extinse de ASCII nu ar mai putea satisface nevoile crescute ale utilizatorilor din diferite țări. Deci, a fost nevoie de a crea o codificare universală a textului, care a fost dezvoltată de consorțiul Unicode în cooperare cu mulți lideri ai industriei IT globale. Specialiștii săi au creat sistemul UTF 32. În acesta, au fost alocați 32 de biți pentru a codifica 1 caracter, formând 4 octeți de informații. Principalul dezavantaj a fost o creștere bruscă a cantității de memorie necesară de până la 4 ori, ceea ce a implicat multe probleme. În același timp, pentru majoritatea țărilor cu limbi oficiale aparținând grupului indo-european, numărul de caractere egal cu 232 este mai mult decât redundant. Ca urmare a lucrărilor ulterioare ale specialiștilor din consorțiul Unicode, a apărut codificarea UTF-16. A devenit opțiunea de conversie a informațiilor simbolice care se potrivește tuturor atât în ceea ce privește cantitatea de memorie necesară, cât și numărul de caractere codificate. De aceea, UTF-16 a fost adoptat implicit și necesită 2 octeți pentru a fi rezervați pentru un caracter. Chiar și această versiune destul de avansată și de succes a „Unicode” a avut unele dezavantaje și, după trecerea de la versiunea extinsă a ASCII la UTF-16, a dublat dimensiunea documentului. În acest sens, s-a decis să se utilizeze codificarea cu lungime variabilă UTF-8. În acest caz, fiecare caracter al textului sursă este codificat printr-o secvență de 1 până la 6 octeți lungime. 
Asociere cu codul standard american pentru schimbul de informațiiToate caracterele alfabetului latin în UTF-8 de lungime variabilă sunt codificate pe 1 octet, ca în sistemul de codare ASCII. O caracteristică a UTF-8 este că, în cazul textului în latină fără utilizarea altor caractere, chiar și programele care nu înțeleg Unicode vor permite totuși citirea acestuia. Cu alte cuvinte, partea de bază a codificării textului ASCII intră pur și simplu în noua lungime variabilă UTF. Caracterele chirilice în UTF-8 iau 2 octeți, iar, de exemplu, caracterele georgiane iau 3 octeți. Prin crearea UTF-16 și 8, principala problemă a creării unui singur spațiu de cod în fonturi a fost rezolvată. De atunci, producătorii de fonturi au trebuit să completeze tabelul doar cu forme vectoriale de caractere text în funcție de nevoile lor. Sistemele de operare diferite preferă codificări diferite. Pentru a putea citi și edita textele tastate într-o altă codificare, se folosesc programe de conversie a textului rusesc. Unele editoare de text conțin transcoduri încorporate și vă permit să citiți text indiferent de codificare. 
Acum știi câte caractere sunt în ASCII și cum și de ce a fost proiectat. Desigur, astăzi standardul Unicode a primit cea mai mare distribuție din lume. Totuși, nu trebuie să uităm că a fost creat pe baza ASCII, așa că trebuie apreciată contribuția dezvoltatorilor săi în domeniul IT.
Setul de simboluri folosite pentru scrierea textului este numit alfabetic. Numărul de caractere din alfabet este putere. Formula pentru determinarea cantității de informații: N = 2b, unde N este cardinalitatea alfabetului (numărul de simboluri), b este numărul de biți (greutatea informației a simbolului). Aproape toate caracterele necesare pot fi plasate într-un alfabet cu o capacitate de 256 de caractere. Acest alfabet se numește suficient. pentru că 256 = 2 8 , atunci greutatea unui caracter este de 8 biți. Unitatea de măsură pe 8 biți a primit un nume 1 octet: 1 octet = 8 biți. Codul binar al fiecărui caracter din textul computerului ocupă 1 octet de memorie. Cum este reprezentată informația textuală în memoria computerului?
Comoditatea codificării octet-cu-octet a caracterelor este evidentă, deoarece un octet este cea mai mică parte adresabilă a memoriei și, prin urmare, procesorul poate accesa fiecare caracter separat atunci când efectuează procesarea textului. Pe de altă parte, 256 de caractere sunt destul de suficiente pentru a reprezenta o mare varietate de informații despre caractere. Acum se pune întrebarea, ce cod binar de opt biți să puneți în corespondență cu fiecare caracter.
Este clar că aceasta este o chestiune condiționată, puteți veni cu multe modalități de codificare. Toate simbolurile alfabetului computerului sunt numerotate de la 0 la 255. Fiecare număr corespunde unui cod binar de opt cifre de la 00000000 la 11111111. Acest cod este pur și simplu numărul ordinal al caracterului din sistemul de numere binar. Un tabel în care tuturor caracterelor alfabetului computerului li se atribuie numere de serie se numește tabel de codificare.
Pentru diferite tipuri de computere, sunt utilizate diferite tabele de codificare. Tabelul a devenit standardul internațional pentru computere. ASCII(pronunțat asci) (Codul standard american pentru schimbul de informații). Tabelul de coduri ASCII este împărțit în două părți. Doar prima jumătate a tabelului este un standard internațional, adică. caractere cu numere din 0
(00000000), până la 127
(01111111). Structura tabelului de codificare ASCII
Număr de serie
|
Codul
|
Simbol
|
0 - 31
|
00000000 - 00011111
|
Caracterele cu numere de la 0 la 31 se numesc caractere de control.
Funcția lor este de a controla procesul de afișare a textului pe ecran sau de imprimare, de a da un semnal sonor, de marcare a textului etc.
|
32 - 127
|
00100000 - 01111111
|
Parte standard a tabelului (engleză). Aceasta include litere mici și mari ale alfabetului latin, cifre zecimale, semne de punctuație, tot felul de paranteze, simboluri comerciale și alte simboluri.
Caracterul 32 este un spațiu, adică. poziție goală în text.
Toate celelalte sunt reflectate de anumite semne.
|
128 - 255
|
10000000 - 11111111
|
Parte alternativă a tabelului (rusă).
A doua jumătate a tabelului de coduri ASCII, numită pagina de coduri (128 de coduri, începând cu 10000000 și terminând cu 11111111), poate avea opțiuni diferite, fiecare opțiune având propriul număr.
Pagina de coduri este folosită în principal pentru a găzdui scripturi naționale, altele decât latină. În codificările naționale rusești, caracterele alfabetului rus sunt plasate în această parte a tabelului.
|
Prima jumătate a tabelului de coduri ASCII
Vă atrag atenția că în tabelul de codificare, literele (majuscule și mici) sunt aranjate în ordine alfabetică, iar numerele sunt sortate crescător. Această respectare a ordinii lexicografice în aranjarea caracterelor se numește principiul codificării secvențiale a alfabetului. Pentru literele alfabetului rus, se respectă și principiul codificării secvențiale. A doua jumătate a tabelului de coduri ASCII
 Din păcate, în prezent există cinci codificări chirilice diferite (KOI8-R, Windows. MS-DOS, Macintosh și ISO). Din această cauză, apar adesea probleme cu transferul de text rusesc de la un computer la altul, de la un sistem software la altul. Cronologic, unul dintre primele standarde pentru codificarea literelor rusești pe computere a fost KOI8 („Cod de schimb de informații, 8 biți”). Această codificare a fost folosită încă din anii 70 pe computerele din seria de calculatoare EC, iar de la mijlocul anilor 80 a început să fie folosită în primele versiuni rusificate ale sistemului de operare UNIX. De la începutul anilor 90, vremea dominației sistemului de operare MS DOS, codificarea rămâne CP866 ("CP" înseamnă "Code Page", "code page"). Computerele Apple care rulează sistemul de operare Mac OS folosesc propria lor codificare Mac. În plus, Organizația Internațională pentru Standardizare (International Standards Organization, ISO) a aprobat o altă codificare numită ISO 8859-5 ca standard pentru limba rusă. Cea mai comună codificare utilizată în prezent este Microsoft Windows, prescurtat ca CP1251. De la sfârșitul anilor 90, problema standardizării codării caracterelor a fost rezolvată prin introducerea unui nou standard internațional, care se numește Unicode. Aceasta este o codificare pe 16 biți, adică are 2 octeți de memorie pe caracter. Desigur, în acest caz, cantitatea de memorie ocupată crește de 2 ori. Dar un astfel de tabel de coduri permite includerea a până la 65536 de caractere. Specificația completă a standardului Unicode include toate alfabetele existente, dispărute și create artificial din lume, precum și multe simboluri matematice, muzicale, chimice și alte simboluri. Să încercăm să folosim un tabel ASCII pentru a ne imagina cum vor arăta cuvintele în memoria computerului.
Reprezentarea internă a cuvintelor în memoria computeruluiUneori se întâmplă ca textul, constând din litere ale alfabetului rus, primit de la alt computer, să nu poată fi citit - un fel de „abracadabra” este vizibil pe ecranul monitorului. Acest lucru se datorează faptului că computerele folosesc diferite codificări de caractere ale limbii ruse.
Top articole similare
| 
