CESU-8

Z Multimediaexpo.cz

(Rozdíly mezi verzemi)
(+ Nový článek...)
m (1 revizi)
 

Aktuální verze z 30. 4. 2014, 13:27

CESU-8 (zkratka pro Compatibility Encoding Scheme for UTF-16: 8-bit, Schéma pro kompatibilní kódování UTF-16, 8-bitové) je způsob kódování znaků Unicode, který je téměř shodný s UTF-8, ale liší se způsobem práce se znaky nad U+10000. Je určen výhradně pro vnitřní použití v systémech, které nejsou schopny dobře pracovat s úplnou znakovou sadou Unicode při použití standardních kódování, není zamýšlen jako formát pro obecnou výměnu dat.

Při kódování do CESU-8 se vstupní text nejprve zakóduje do UTF-16 (tzn. znaky mimo Basic Multilingual Plane se zapíší pomocí surrogate pairs), výsledek se poté zakóduje pomocí UTF-8. Znamená to, že kódování znaků BMP (všechny znaky od U+0000 do U+FFFF) je shodné v UTF-8 i CESU-8. Znaky, které jsou v UTF-8 kódovány do čtyř bajtů, jsou však v CESU-8 kódovány pomocí šestibajtové posloupnosti.

CESU-8 je obdobné tzv. Modified UTF-8, které se používá v Javě, ovšem s tím rozdílem, že se nepoužívá speciální kódování znaku U+0000.

V praxi se kódování CESU-8 používá při práci s některými databázemi (Oracle, MySQL), která neumějí pracovat s UTF-8 řetězci reprezentujícími znaky mimo BMP, ale nic nenamítají proti (z hlediska UTF-8 neplatnému) kódování těchto znaků prostřednictvím surrogate pairs, tzn. CESU-8.

Příklad kódování

Vstup U+0045 U+0205 U+10429
UTF-8 45 C8 85 F0 90 90 A9
UTF-16 0045 0205 D801 DC29
CESU-8 45 C8 85 ED A0 81 ED B0 A9

Je vidět, že znaky BMP jsou v UTF-8 i CESU-8 kódovány stejně, rozdíl je zde jen ve znaku U+10429, který leží mimo BMP.

Externí odkazy


Citováno z „http://www2000.multimediaexpo.cz/mmecz/index.php/CESU-8“