Scroll to navigation

UTF-8(7) Linux - příručka programátora UTF-8(7)

JMÉNO

UTF-8 - vícebytové Unicode kódování, kompatibilní s ASCII

POPIS

Znaková sada Unicode 3.0 je 16 bitová. Nejběžnější kódování (známé jako UCS-2) je sekvencí 16-bitových slov. Řetězce z takovýchto slov obsahují mnoho 8-bitových znaků jako je '\0' nebo '/', které mají speciální význam ve jménech souborů i v argumentech funkcí jazyka C. Navíc, naprostá většina UNIXových nástrojů očekává ASCII soubory a nemohou číst 16-bitové znaky bez významných změn kódu. Z těchto důvodů není UCS-2 vhodným kódováním Unicode ve jménech souborů, v textových souborech, proměnných prostředí atd. ISO 10646 Universal Character Set (UCS) je nadmnožinou Unicode, zabírá 31-bitový prostor, jehož kódování UCS-4 (sekvence 32-bitových slov) má tytéž problémy.

Kódování UTF-8 pro Unicode a UCS tyto problémy nemá, a proto je obvyklou cestou pro využívání Unicode v Unixových (a podobných) operačních systémech.

Vlastnosti

Kódování UTF-8 má několik pěkných vlastností:

*
znaky UCS 0x00000000 - 0x0000007f (klasické znaky US-ASCII ) jsou kódovány jako byty 0x00 až 0x7f (kompatibilní s ASCII). To znamená, že soubory a řetězce obsahující pouze 7-bitové ASCII jsou kódovány stejně v ASCII i v UTF-8.
*
Všechny znaky UCS větší než 0x7f jsou kódovány jako sekvence bytů v rozmezí od 0x80 do 0xfd, takže se zde neobjeví žádný znak ASCII ani nevznikají problémy se znaky jako '\0' nebo '/'.
*
Lexikografické uspořádání znaků z UCS-4 se zachovává.
*
Libovolnou z 2^31 kombinací UCS lze zakódovat pomocí UTF-8.
*
Kódy 0xfe a 0xff nejsou použity v kódování UTF-8.
*
První byte vícebytové sekvence reprezentující jeden ne-ASCII znak UCS je vždy v intervalu 0xc0 až 0xfd a indikuje, jak dlouhá je sekvence bytů. Všechny následující byty jsou v rozmezí 0x80 až 0xbf. Toto umožňuje jednoduchou resynchronizaci při výpadku bytu(ů), protože se jedná o bezstavové kódování.
*
UTF-8 kóduje znaky UCS až do šestibytových sekvencí, nicméně standard Unicode nespecifikuje znaky nad 0x10ffff, takže Unicode znaky mohou být v UTF-8 dlouhé nejvýše čtyři byty.

Kódování

Následující sekvence jsou použity pro reprezentování znaků. Typ použité sekvence závisí na kódu UCS daného znaku:

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

The xxx pozice jsou zaplněny bity z kódu znaku v binární reprezentaci. Vždy je použita nejkratší možná sekvence pro daný znak.

Hodnoty kódu UCS 0xd800–0xdfff (zástupci UTF-16), stejně jako 0xfffe a 0xffff (neznaky UCS) byse v platných UTF-8 proudech neměly objevit.

PŘÍKLAD

Znak Unicode
0xa9 = 1010 1001 (copyright) je kódován v UTF-8 jako:

11000010 10101001 = 0xc2 0xa9

a znak 0x2260 = 0010 0010 0110 0000 (není rovno) je kódován jako:

11100010 10001001 10100000 = 0xe2 0x89 0xa0

Praktické poznámky

Uživatelé musejí vybrat UTF-8 locale, např. pomocí

export LANG=en_GB.UTF-8

aby aktivovali podporu UTF-8 v aplikacích.

Application software that has to be aware of the used character encoding should always set the locale with for example

setlocale(LC_CTYPE, "")

and programmers can then test the expression

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

to determine whether a UTF-8 locale has been selected and whether therefore all plaintext standard input and output, terminal communication, plaintext file content, filenames and environment variables are encoded in UTF-8.

Programmers accustomed to single-byte encodings such as US-ASCII or ISO 8859 have to be aware that two assumptions made so far are no longer valid in UTF-8 locales. Firstly, a single byte does not necessarily correspond any more to a single character. Secondly, since modern terminal emulators in UTF-8 mode also support Chinese, Japanese, and Korean double-width characters as well as non-spacing combining characters, outputting a single character does not necessarily advance the cursor by one position as it did in ASCII. Library functions such as mbsrtowcs(3) and wcswidth(3) should be used today to count characters and cursor positions.

The official ESC sequence to switch from an ISO 2022 encoding scheme (as used for instance by VT100 terminals) to UTF-8 is ESC % G ("\x1b%G"). The corresponding return sequence from UTF-8 to ISO 2022 is ESC % @ ("\x1b%@"). Other ISO 2022 sequences (such as for switching the G0 and G1 sets) are not applicable in UTF-8 mode.

It can be hoped that in the foreseeable future, UTF-8 will replace ASCII and ISO 8859 at all levels as the common character encoding on POSIX systems, leading to a significantly richer environment for handling plain text.

Security

The Unicode and UCS standards require that producers of UTF-8 shall use the shortest form possible, for example, producing a two-byte sequence with first byte 0xc0 is non-conforming. Unicode 3.1 has added the requirement that conforming programs must not accept non-shortest forms in their input. This is for security reasons: if user input is checked for possible security violations, a program might check only for the ASCII version of "/../" or ";" or NUL and overlook that there are many non-ASCII ways to represent these things in a non-shortest UTF-8 encoding.

STANDARDY

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

DALŠÍ INFORMACE

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

TIRÁŽ

Tato stránka je součástí projektu Linux man-pages. Popis projektu a informace o hlášení chyb najdete na http://www.kernel.org/doc/man-pages/.

2001-05-11 GNU