Kodet dhjetore të karaktereve ascii c. Kodimi i informacionit të tekstit

Unicode (Unicode në anglisht) është një standard kodimi i karaktereve. E thënë thjesht, kjo është një tabelë e korrespondencës midis karaktereve të tekstit (, shkronja, elementet e pikësimit) kodet binare. Kompjuteri kupton vetëm sekuencën e zerove dhe njësheve. Në mënyrë që të dijë se çfarë saktësisht duhet të shfaqë në ekran, është e nevojshme t'i caktoni secilit personazh numrin e tij unik. Në vitet tetëdhjetë, karakteret u koduan në një bajt, domethënë tetë bit (çdo bit është 0 ose 1). Kështu, rezultoi se një tabelë (aka kodim ose grup) mund të strehojë vetëm 256 karaktere. Kjo mund të mos mjaftojë as për një gjuhë. Prandaj, u shfaqën shumë kodime të ndryshme, konfuzioni me të cilin shpesh çonte në shfaqjen e disa gërmadhave të çuditshme në ekran në vend të tekstit të lexueshëm. Kërkohej një standard i vetëm, gjë që u bë Unicode. Kodimi më i përdorur është UTF-8 (Unicode Transformation Format), i cili përdor 1 deri në 4 bajt për të përfaqësuar një karakter.

Simbolet

Karakteret në tabelat Unicode numërohen me numra heksadecimal. Për shembull, shkronja e madhe cirilike M është caktuar U+041C. Kjo do të thotë se ai qëndron në kryqëzimin e rreshtit 041 dhe kolonës C. Ju thjesht mund ta kopjoni atë dhe pastaj ta ngjisni diku. Për të mos gërmuar nëpër një listë shumë kilometrash, duhet të përdorni kërkimin. Kur të shkoni në faqen e simboleve, do të shihni numrin e tij Unicode dhe mënyrën se si është shkruar me shkronja të ndryshme. Mund ta futni vetë shenjën në shiritin e kërkimit, edhe nëse në vend të tij vizatohet një katror, ​​të paktën për të zbuluar se çfarë ishte. Gjithashtu, në këtë faqe ka grupe të veçanta (dhe të rastësishme) të të njëjtit lloj ikonash, të mbledhura nga seksione të ndryshme, për lehtësinë e përdorimit.

Standardi Unicode është ndërkombëtar. Ai përfshin personazhe nga pothuajse të gjitha skenarët e botës. Përfshirë ato që nuk përdoren më. Hieroglifet egjiptiane, runat gjermanike, shkrimet maja, kuneiformat dhe alfabetet e shteteve antike. Janë paraqitur edhe emërtimet e peshave dhe masave, shënimet muzikore dhe konceptet matematikore.

Vetë Konsorciumi Unicode nuk shpik personazhe të rinj. Në tabela shtohen ato ikona që gjejnë përdorim në shoqëri. Për shembull, shenja rubla u përdor në mënyrë aktive për gjashtë vjet përpara se të shtohej në Unicode. Piktogramet emoji (emoticons) gjithashtu u përdorën gjerësisht për herë të parë në Japoni përpara se të përfshiheshin në kodim. Por markat tregtare dhe logot e kompanisë nuk shtohen në parim. Edhe ato të zakonshme si molla Apple ose flamuri i Windows. Deri më sot, rreth 120 mijë karaktere janë të koduara në versionin 8.0.

Një kompjuter kupton procesin e konvertimit të tij në një formë që lejon transmetimin, ruajtjen ose përpunimin automatik të këtyre të dhënave më të përshtatshme. Për këtë qëllim përdoren tabela të ndryshme. ASCII ishte sistemi i parë i zhvilluar në Shtetet e Bashkuara për të punuar me tekst në anglisht, i cili më pas u përhap në të gjithë botën. Artikulli më poshtë i kushtohet përshkrimit, veçorive, vetive dhe përdorimit të mëtejshëm të tij.

Shfaqja dhe ruajtja e informacionit në një kompjuter

Simbolet në një monitor kompjuteri ose një ose një tjetër vegël dixhitale celulare formohen bazuar në grupe të formave vektoriale të karaktereve të ndryshme dhe një kod që ju lejon të gjeni midis tyre simbolin që duhet të futet në vendin e duhur. Ai përfaqëson një sekuencë bitash. Kështu, çdo karakter duhet të korrespondojë në mënyrë unike me një grup zero dhe njësh, të cilat shfaqen në një rend të caktuar, unik.

Si filloi gjithçka

Historikisht, kompjuterët e parë ishin në gjuhën angleze. Për të koduar informacionin simbolik në to, mjaftonte të përdoreshin vetëm 7 bit memorie, ndërsa për këtë u nda 1 bajt i përbërë nga 8 bit. Numri i karaktereve të kuptuara nga kompjuteri në këtë rast ishte 128. Këto karaktere përfshinin alfabetin anglez me shenjat e pikësimit, numrat dhe disa karaktere të veçanta. Kodimi shtatë-bit në gjuhën angleze me tabelën përkatëse (faqe kodi), i zhvilluar në vitin 1963, u quajt Kodi Standard Amerikan për Shkëmbimin e Informacionit. Zakonisht, shkurtesa "ASCII encoding" përdoret dhe përdoret ende për ta treguar atë.

Kalimi në shumëgjuhësi

Me kalimin e kohës, kompjuterët u përdorën gjerësisht në vendet jo anglishtfolëse. Në këtë drejtim, lindi nevoja për kodime që lejojnë përdorimin e gjuhëve kombëtare. U vendos që të mos rikrijohej rrota dhe të merrej si bazë ASCII. Tabela e kodimit në edicionin e ri është zgjeruar ndjeshëm. Përdorimi i bitit të 8-të bëri të mundur përkthimin e 256 karaktereve në një gjuhë kompjuteri.

Përshkrim

Kodimi ASCII ka një tabelë që është e ndarë në 2 pjesë. Vetëm gjysma e parë e tij konsiderohet të jetë një standard ndërkombëtar përgjithësisht i pranuar. Ai përfshin:

• Karakteret me numra serialë nga 0 deri në 31, të koduar në sekuenca nga 00000000 deri në 00011111. Ato janë të rezervuara për karakteret e kontrollit që kontrollojnë procesin e shfaqjes së tekstit në ekran ose printer, tingëllimin e një sinjali zanor etj.
• Karakteret me NN në tabelën nga 32 në 127, të koduar nga sekuencat nga 00100000 deri në 01111111 përbëjnë pjesën standarde të tabelës. Këto përfshijnë hapësirën (N 32), shkronjat e alfabetit latin (të vogla dhe të mëdha), numrat dhjetëshifrorë nga 0 në 9, shenjat e pikësimit, kllapat e stileve të ndryshme dhe simbole të tjera.
• Karaktere me numra serialë nga 128 në 255, të koduar nga sekuenca nga 10000000 deri në 11111111. Këto përfshijnë shkronja të alfabeteve kombëtare të ndryshme nga latinishtja. Është kjo pjesë alternative e tabelës ASCII që përdoret për të kthyer karakteret ruse në formë kompjuteri.

Disa prona

Karakteristikat e kodimit ASCII përfshijnë ndryshimin midis shkronjave "A" - "Z" të shkronjave të vogla dhe të mëdha me vetëm një bit. Kjo rrethanë thjeshton shumë konvertimin e regjistrit, si dhe kontrollon nëse ai i përket një diapazoni të caktuar vlerash. Për më tepër, të gjitha shkronjat në sistemin e kodimit ASCII përfaqësohen nga numrat e tyre të sekuencës në alfabet, të cilët shkruhen me 5 shifra në sistemin e numrave binar, të paraprirë nga 011 2 për shkronjat e vogla dhe 010 2 për shkronjat e mëdha.

Një nga veçoritë e kodimit ASCII është paraqitja e 10 shifrave - "0" - "9". Në sistemin e dytë të numrave fillojnë me 00112 dhe përfundojnë me 2 vlera numrash. Kështu, 0101 2 është ekuivalent me numrin dhjetor pesë, kështu që karakteri "5" shkruhet si 0011 01012. Bazuar në sa më sipër, ju mund t'i konvertoni lehtësisht numrat BCD në një varg ASCII duke shtuar sekuencën e biteve 00112 në çdo gërvishtje në majtas.

"Unicode"

Siç e dini, mijëra karaktere kërkohen për të shfaqur tekste në gjuhët e grupit të Azisë Juglindore. Një numër i tillë i tyre nuk mund të përshkruhet në asnjë mënyrë në një bajt informacioni, kështu që edhe versionet e zgjeruara të ASCII nuk mund të plotësonin më nevojat e shtuara të përdoruesve nga vende të ndryshme.

Kështu, lindi nevoja për të krijuar një kodim universal të tekstit, zhvillimi i të cilit, në bashkëpunim me shumë drejtues të industrisë globale të IT, u ndërmor nga konsorciumi Unicode. Specialistët e tij krijuan sistemin UTF 32. Në të, 32 bit u ndanë për të koduar 1 karakter, duke përbërë 4 bajt informacion. Disavantazhi kryesor ishte një rritje e mprehtë e sasisë së kujtesës së kërkuar deri në 4 herë, gjë që solli shumë probleme.

Në të njëjtën kohë, për shumicën e vendeve me gjuhë zyrtare që i përkasin grupit indo-evropian, numri i karaktereve të barabartë me 2 32 është më se i tepërt.

Si rezultat i punës së mëtejshme nga specialistë nga konsorciumi Unicode, u shfaq kodimi UTF-16. Ai u bë opsioni për konvertimin e informacionit simbolik që i përshtatej të gjithëve si për sa i përket sasisë së memories së kërkuar ashtu edhe për numrin e karaktereve të koduara. Kjo është arsyeja pse UTF-16 u miratua si parazgjedhje dhe kërkon që 2 bajt të rezervohen për një karakter.

Edhe ky version mjaft i avancuar dhe i suksesshëm i Unicode kishte disa të meta, dhe pas kalimit nga versioni i zgjeruar i ASCII në UTF-16, pesha e dokumentit u dyfishua.

Në këtë drejtim, u vendos që të përdoret kodimi me gjatësi të ndryshueshme UTF-8. Në këtë rast, çdo karakter i tekstit burim është i koduar si një sekuencë me gjatësi nga 1 deri në 6 bajt.

Kontaktoni kodin standard amerikan për shkëmbim informacioni

Të gjitha karakteret latine në gjatësinë e ndryshueshme UTF-8 janë të koduara në 1 bajt, si në sistemin e kodimit ASCII.

Një veçori e veçantë e YTF-8 është se në rastin e tekstit në latinisht pa përdorur karaktere të tjera, edhe programet që nuk e kuptojnë Unicode do të jenë ende në gjendje ta lexojnë atë. Me fjalë të tjera, kodimi bazë i tekstit ASCII thjesht bëhet pjesë e UTF-së së re me gjatësi të ndryshueshme. Karakteret cirilike në YTF-8 zënë 2 bajt, dhe, për shembull, karakteret gjeorgjiane - 3 bajtë. Duke krijuar UTF-16 dhe 8, u zgjidh problemi kryesor i krijimit të një hapësire të vetme kodi në fonte. Që atëherë, prodhuesit e shkronjave mund ta mbushin tabelën vetëm me forma vektoriale të karaktereve të tekstit bazuar në nevojat e tyre.

Sisteme të ndryshme operative preferojnë kodime të ndryshme. Për të qenë në gjendje të lexoni dhe modifikoni tekstet e shtypura në një kodim tjetër, përdoren programet ruse të konvertimit të tekstit. Disa redaktues teksti përmbajnë transkoder të integruar dhe ju lejojnë të lexoni tekst pavarësisht nga kodimi.

Tani e dini se sa karaktere janë në kodimin ASCII dhe si dhe pse u zhvillua. Sigurisht, sot standardi Unicode është më i përhapuri në botë. Megjithatë, nuk duhet të harrojmë se bazohet në ASCII, ndaj duhet vlerësuar kontributi i zhvilluesve të tij në fushën e IT.

Bashkësia e karaktereve me të cilat shkruhet teksti quhet alfabeti.

Numri i karaktereve në alfabet është i tij pushtet.

Formula për përcaktimin e sasisë së informacionit: N=2b,

ku N është fuqia e alfabetit (numri i karaktereve),

b – numri i biteve (pesha e informacionit të simbolit).

Alfabeti me një kapacitet prej 256 karakteresh mund të strehojë pothuajse të gjitha karakteret e nevojshme. Ky alfabet quhet mjaftueshëm.

Sepse 256 = 2 8, atëherë pesha e 1 karakterit është 8 bit.

Njësisë matëse 8 bit iu dha emri 1 bajt:

1 bajt = 8 bit.

Kodi binar i çdo karakteri në tekstin kompjuterik merr 1 bajt memorie.

Si paraqitet informacioni i tekstit në kujtesën e kompjuterit?

Lehtësia e kodimit të karaktereve byte-pas-byte është e dukshme sepse një bajt është pjesa më e vogël e adresueshme e memories dhe, për rrjedhojë, procesori mund të qaset në secilin karakter veçmas kur përpunon tekstin. Nga ana tjetër, 256 karaktere është një numër mjaft i mjaftueshëm për të përfaqësuar një shumëllojshmëri të gjerë informacionesh simbolike.

Tani lind pyetja, cilin kod binar tetë-bit t'i caktoni secilit karakter.

Është e qartë se kjo është një çështje e kushtëzuar; ju mund të dilni me shumë metoda kodimi.

Të gjithë karakteret e alfabetit të kompjuterit numërohen nga 0 në 255. Çdo numër korrespondon me një kod binar tetë-bitësh nga 00000000 deri në 11111111. Ky kod është thjesht numri serial i karakterit në sistemin e numrave binar.

Një tabelë në të cilën të gjithë karakteret e alfabetit të kompjuterit u caktohen numra serialë quhet tabelë koduese.

Lloje të ndryshme kompjuterësh përdorin tabela të ndryshme kodimi.

Tabela është bërë standardi ndërkombëtar për PC ASCII(lexo aski) (American Standard Code for Information Interchange).

Tabela e kodeve ASCII është e ndarë në dy pjesë.

Vetëm gjysma e parë e tabelës është standardi ndërkombëtar, d.m.th. simbolet me numra nga 0 (00000000), deri në 127 (01111111).

Struktura e tabelës koduese ASCII

Gjysma e parë e tabelës së kodit ASCII

Ju lutemi vini re se në tabelën e kodimit, shkronjat (të mëdha dhe të vogla) janë renditur sipas rendit alfabetik, dhe numrat janë renditur në rend rritës. Ky respektim i rendit leksikografik në renditjen e simboleve quhet parimi i kodimit sekuencial të alfabetit.

Për shkronjat e alfabetit rus, respektohet gjithashtu parimi i kodimit sekuencial.

Gjysma e dytë e tabelës së kodit ASCII

Për fat të keq, aktualisht ekzistojnë pesë kodime të ndryshme cirilike (KOI8-R, Windows. MS-DOS, Macintosh dhe ISO). Për shkak të kësaj, shpesh lindin probleme me transferimin e tekstit rus nga një kompjuter në tjetrin, nga një sistem softuer në tjetrin.

Kronologjikisht, një nga standardet e para për kodimin e shkronjave ruse në kompjuter ishte KOI8 ("Kodi i shkëmbimit të informacionit, 8-bit"). Ky kodim u përdor përsëri në vitet '70 në kompjuterët e serisë kompjuterike ES, dhe nga mesi i viteve '80 filloi të përdoret në versionet e para të rusifikuara të sistemit operativ UNIX.

Nga fillimi i viteve '90, koha e mbizotërimit të sistemit operativ MS DOS, kodimi CP866 mbetet ("CP" do të thotë "Faqja e kodit", "faqja e kodit").

Kompjuterët Apple që përdorin sistemin operativ Mac OS përdorin kodimin e tyre Mac.

Për më tepër, Organizata Ndërkombëtare e Standardeve (ISO) ka miratuar një kodim tjetër të quajtur ISO 8859-5 si standard për gjuhën ruse.

Kodimi më i zakonshëm që përdoret aktualisht është Microsoft Windows, shkurtuar CP1251.

Që nga fundi i viteve '90, problemi i standardizimit të kodimit të karaktereve është zgjidhur me futjen e një standardi të ri ndërkombëtar të quajtur Unicode. Ky është një kodim 16-bit, d.m.th. cakton 2 bajt memorie për çdo karakter. Sigurisht, kjo rrit sasinë e kujtesës së zënë me 2 herë. Por një tabelë e tillë kodi lejon përfshirjen deri në 65536 karaktere. Specifikimi i plotë i standardit Unicode përfshin të gjitha alfabetet ekzistuese, të zhdukura dhe të krijuara artificialisht të botës, si dhe shumë simbole matematikore, muzikore, kimike dhe të tjera.

Le të përpiqemi të përdorim një tabelë ASCII për të imagjinuar se si do të duken fjalët në kujtesën e kompjuterit.

Paraqitja e brendshme e fjalëve në kujtesën e kompjuterit

Ndonjëherë ndodh që një tekst i përbërë nga shkronja të alfabetit rus të marrë nga një kompjuter tjetër nuk mund të lexohet - një lloj "abracadabra" është i dukshëm në ekranin e monitorit. Kjo ndodh sepse kompjuterët përdorin kodime të ndryshme të karaktereve për gjuhën ruse.

Artikujt më të mirë mbi këtë temë

Kopjimi i skedarëve dhe dosjeve

Mënyra të ndryshme për të ekzekutuar Command Prompt si Administrator në Windows

Komanda RUNAS - ekzekutimi i një aplikacioni si një përdorues tjetër i Windows