Mint ������ ��������� ����������

Символы Unicode: о чём должен знать каждый разработчик

Если вы пишете международное приложение, использующее несколько языков, то вам нужно кое-что знать о кодировке. Она отвечает за то, как текст отображается на экране. Я вкратце расскажу об истории кодировки и о её стандартизации, а затем мы поговорим о её использовании. Затронем немного и теорию информатики.

Введение в кодировку

Компьютеры понимают лишь двоичные числа — нули и единицы, это их язык. Больше ничего. Одно число называется байтом, каждый байт состоит из восьми битов. То есть восемь нулей и единиц составляют один байт. Внутри компьютеров всё сводится к двоичности — языки программирования, движений мыши, нажатия клавиш и все слова на экране. Но если статья, которую вы читаете, раньше была набором нулей и единиц, то как двоичные числа превратились в текст? Давайте разберёмся.

Краткая история кодировки

На заре своего развития интернет был исключительно англоязычным. Его авторам и пользователям не нужно было заботиться о символах других языков, и все нужды полностью покрывала кодировка American Standard Code for Information Interchange (ASCII).

ASCII — это таблица сопоставления бинарных обозначений знакам алфавита. Когда компьютер получает такую запись:

то с помощью ASCII он преобразует её во фразу «Hello world».

Один байт (восемь бит) был достаточно велик, чтобы вместить в себя любую англоязычную букву, как и управляющие символы, часть из которых использовалась телепринтерами, так что в те годы они были полезны (сегодня уже не особо). К управляющим символам относился, например 7 (0111 в двоичном представлении), который заставлял компьютер издавать сигнал; 8 (1000 в двоичном представлении) — выводил последний напечатанный символ; или 12 (1100 в двоичном представлении) — стирал весь написанный на видеотерминале текст.

В те времена компьютеры считали 8 бит за один байт (так было не всегда), так что проблем не возникало. Мы могли хранить все управляющие символы, все числа и англоязычные буквы, и даже ещё оставалось место, поскольку один байт может кодировать 255 символов, а для ASCII нужно только 127. То есть неиспользованными оставалось ещё 128 позиций в кодировке.

Вот как выглядит таблица ASCII. Двоичными числами кодируются все строчные и прописные буквы от A до Z и числа от 0 до 9. Первые 32 позиции отведены для непечатаемых управляющих символов.

Проблемы с ASCII

Позиции со 128 по 255 были пустыми. Общественность задумалась, чем их заполнить. Но у всех были разные идеи. Американский национальный институт стандартов (American National Standards Institute, ANSI) формулирует стандарты для разных отраслей. Там утвердили позиции ASCII с 0 по 127. Их никто не оспаривал. Проблема была с остальными позициями.

Вот чем были заполнены позиции 128-255 в первых компьютерах IBM:

Какие-то загогулины, фоновые иконки, математические операторы и символы с диакретическим знаком вроде é. Но разработчики других компьютерных архитектур не поддержали инициативу. Всем хотелось внедрить свою собственную кодировку во второй половине ASCII.

Все эти различные концовки назвали кодовыми страницами.

Что такое кодовые страницы ASCII?

Здесь собрана коллекция из более чем 465 разных кодовых страниц! Существовали разные страницы даже в рамках какого-то одного языка, например, для греческого и китайского. Как можно было стандартизировать этот бардак? Или хотя бы заставить его работать между разными языками? Или между разными кодовыми страницами для одного языка? В языках, отличающихся от английского? У китайцев больше 100 000 иероглифов. ASCII даже не может всех их вместить, даже если бы решили отдать все пустые позиции под китайские символы.

Эта проблема даже получила название Mojibake (бнопня, кракозябры). Так говорят про искажённый текст, который получается при использовании некорректной кодировки. В переводе с японского mojibake означает «преобразование символов».

Пример бнопни (кракозябров).

Безумие какое-то.

Именно! Не было ни единого шанса надёжно преобразовывать данные. Интернет — это лишь монструозное соединение компьютеров по всему миру. Представьте, что все страны решили использовать собственные стандарты. Например, греческие компьютеры принимают только греческий язык, а английские отправляют только английский. Это как кричать в пустой пещере, тебя никто не услышит.

ASCII уже не удовлетворял жизненным требованиям. Для всемирного интернета нужно было создать что-то другое, либо пришлось бы иметь дело с сотнями кодовых страниц.

��� Если только ������ вы не хотели ��� бы ��� читать подобные параграфы. �֎֏0590֐��׀ׁׂ׃ׅׄ׆ׇ

Так появился Unicode

Unicode расшифровывают как Universal Coded Character Set (UCS), и у него есть официальное обозначение ISO/IEC 10646. Но обычно все используют название Unicode.

Этот стандарт помог решить проблемы, возникавшие из-за кодировки и кодовых страниц. Он содержит множество кодовых пунктов (кодовых точек), присвоенных символам из языков и культур со всего мира. То есть Unicode — это набор символов. С его помощью можно сопоставить некую абстракцию с буквой, на которую мы хотим ссылаться. И так сделано для каждого символа, даже египетских иероглифов.

Кто-то проделал огромную работу, сопоставляя каждый символ во всех языках с уникальными кодами. Вот как это выглядит:

Префикс U+ говорит о том, что это стандарт Unicode, а число — это результат преобразования двоичных чисел. Стандарт использует шестнадцатеричную нотацию, которая является упрощённым представлением двоичных чисел. Здесь вы можете ввести в поле что угодно и посмотреть, как это будет преобразовано в Unicode. А здесь можно полюбоваться на все 143 859 кодовых пунктов.

Уточню на всякий случай: речь идёт о большом словаре кодовых пунктов, присвоенных всевозможным символам. Это очень большой набор символов, не более того.

Осталось добавить последний ингредиент.

Unicode Transform Protocol (UTF)

UTF — протокол кодирования кодовых пунктов в Unicode. Он прописан в стандарте и позволяет кодировать любой кодовый пункт. Однако существуют разные типы UTF. Они различаются количеством байтов, используемых для кодировки одного пункта. В UTF-8 используется один байт на пункт, в UTF-16 — два байта, в UTF-32 — четыре байта.

Но если у нас есть три разные кодировки, то как узнать, какая из них применяется в конкретном файле? Для этого используют маркер последовательности байтов (Byte Order Mark, BOM), который ещё называют сигнатурой кодировки (Encoding Signature). BOM — это двухбайтный маркер в начале файл, который говорит о том, какая именно кодировка тут применена.

В интернете чаще всего используют UTF-8, она также прописана как предпочтительная в стандарте HTML5, так что уделю ей больше всего внимания.

Этот график построен в 2012-м, UTF-8 становилась доминирующей кодировкой. И всё ещё ею является.

Что такое UTF-8 и как она работает?

UTF-8 кодирует с помощью одного байта каждый кодовый пункт Unicode с 0 по 127 (как в ASCII). То есть если вы писали программу с использованием ASCII, а ваши пользователи применяют UTF-8, они не заметят ничего необычного. Всё будет работать как задумано. Обратите внимание, как это важно. Нам нужно было сохранить обратную совместимость с ASCII в ходе массового внедрения UTF-8. И эта кодировка ничего не ломает.

Как следует из названия, кодовый пункт состоит из 8 битов (один байт). В Unicode есть символы, которые занимают несколько байтов (вплоть до 6). Это называют переменной длиной. В разных языках удельное количество байтов разное. В английском — 1, европейские языки (с латинским алфавитом), иврит и арабский представлены с помощью двух байтов на кодовый пункт. Для китайского, японского, корейского и других азиатских языков используют по три байта.

Если нужно, чтобы символ занимал больше одного байта, то применяется битовая комбинация, обозначающая переход — он говорит о том, что символ продолжается в нескольких следующих байтах.

И теперь мы, как по волшебству, пришли к соглашению, как закодировать шумерскую клинопись (Хабр её не отображает), а также значки emoji!

Подытожив сказанное: сначала читаем BOM, чтобы определить версию кодировки, затем преобразуем файл в кодовые пункты Unicode, а потом выводим на экран символы из набора Unicode.

Напоследок про UTF

Коды являются ключами. Если я отправлю ошибочную кодировку, вы не сможете ничего прочесть. Не забывайте об этом при отправке и получении данных. В наших повседневных инструментах это часто абстрагировано, но нам, программистам, важно понимать, что происходит под капотом.

Как нам задавать кодировку? Поскольку HTML пишется на английском, и почти все кодировки прекрасно работают с английским, мы можем указать кодировку в начале раздела .

Важно сделать это в самом начале , поскольку парсинг HTML может начаться заново, если в данный момент используется неправильная кодировка. Также узнать версию кодировки можно из заголовка Content-Type HTTP-запроса/ответа.

Если HTML-документ не содержит упоминания кодировки, спецификация HTML5 предлагает такое интересное решение, как BOM-сниффинг. С его помощью мы по маркеру порядка байтов (BOM) можем определить используемую кодировку.

Это всё?

Unicode ещё не завершён. Как и в случае с любым стандартом, мы что-то добавляем, убираем, предлагаем новое. Никакие спецификации нельзя назвать «завершёнными». Обычно в год бывает 1-2 релиза, найти их описание можно здесь.

Если вы дочитали до конца, то вы молодцы. Предлагаю сделать домашнюю работу. Посмотрите, как могут ломаться сайты при использовании неправильной кодировки. Я воспользовался этим расширением для Google Chrome, поменял кодировку и попытался открывать разные страницы. Информация была совершенно нечитаемой. Попробуйте сами, как выглядит бнопня. Это поможет понять, насколько важна кодировка.

Заключение

При написании этой статьи я узнал о Майкле Эверсоне. С 1993 года он предложил больше 200 изменений в Unicode, добавил в стандарт тысячи символов. По состоянию на 2003 год он считался самым продуктивным участником. Он один очень сильно повлиял на облик Unicode. Майкл — один из тех, кто сделал интернет таким, каким мы его сегодня знаем. Очень впечатляет.

Надеюсь, мне удалось показать вам, для чего нужны кодировки, какие проблемы они решают, и что происходит при их сбоях.

Источник

Одним прекрасным днём во время перерыва на обед ученик старшей школы Огата Юдзо был призван в мир меча и магии вместе с четырьмя друзьями. По словам принцессы, их призвали для того, чтобы они победили Владыку демонов и спасли этот мир. Но внезапно принцесса удивилась и произнесла слова, что поразили иномирцев…
«Должны же быть только четыре героя?!»
Так какой же будет судьба человека, которого вызвали в другой мир по ошибке?

Сакураи, сотрудник рекламного агентства, случайно столкнулся с молодым человеком по пути домой. В результате этой случайности рабочие материалы и журнал Сакурая были испорчены. Но у молодого человека, студента Минагавы Юичи, был такой же журнал, и тот предложил сходить за ним к нему домой. Минагава Юичи владеет большим домом в японском стиле, который сейчас используется как пансион. И хотя Сакураи считает Минагаву необщительным и замкнутым, он приходит в пансион всё чаще и чаще.

Выбор редакции

6 подростков,откликающихся на прозвища Джо, Марио, Черепаха, Голяк, Бицепс и Капуста, находятся в исправительном учреждении за физическое насилие, мошенничество, драки и так далее. С приездом в тюрьму незамедлительно начинается адская жизнь. Побывав на осмотре у доктора-педофила, они попадают в руки деспотичной и жестокой команды надсмотрщиков. Кроме того, между давним жильцом камеры Сакураги по кличке Ан-тян и подростками устанавливаются весьма напряженные отношения. Начинается драка, и наши 6 заключенных не смогут противостоять загадочному юноше.
Эта история расскажет нам о жизни 7 людей, пытающихся выжить в нечеловеческих условиях. Манга посвящена удивительной и нерушимой дружбе этих парней.

Вместо прогресса человечество оказалось отброшено назад появлением расы гигантов. Огромные гуманоиды не обладали ни речью, ни разумом, но при этом пожирали людей, как чипсы, а обычное оружие уровня XIX века оказалось бессильно. Остатки рода людского смогли выжить лишь за циклопическими стенами, которые тройным кольцом опоясали последние поля, города и деревни. Затишье продолжалось сто лет, за это время люди успокоились, армия была сокращена, а городская стража превратилась в дармоедов. Боеспособность сохранил лишь Разведкорпус – но кому нужны самоубийцы, что постоянно рискуют жизнью за стенами, когда можно спокойно сидеть за каменным забором?

Увы, все хорошее кончается. Ужасающий колосс сокрушил внешнюю стену «Мария», и гиганты уничтожили один из городов. Мать юного Эрена погибла, отец пропал, и парень, кипящий жаждой мести, вместе с приемной сестрой Микасой поступил в Корпус, чьи элитные бойцы могут побеждать гигантов один на один. Овладеть системой тросов, лебедок и газовых ускорителей нелегко, но лишь подобная техника помогает делать безумные прыжки и поражать монстров в затылок – единственное уязвимое место. Учиться надо быстро, ибо идет война, и действия врага становятся все агрессивнее – будто за безмозглыми горами плоти стоит чей-то чуждый разум. Или… не такой уж чуждый? Эрену и его друзьям среди боев и сражений предстоит открыть немало пугающих тайн!

Юкихира Сома – юный фанатик кулинарного искусства, мечтающий превзойти отца, известного шеф-повара. Дзёитиро, отец Сомы, бесподобно готовит простые и сытные блюда восточной кухни, потому их семейный ресторанчик популярен у офисных работяг – но на таких клиентах, увы, не заработаешь. Экспериментировать без денег трудно – и редкие необычные (и обычно неудачные) опыты отца и сына дегустируют разве что одноклассники Юкихиры-младшего. Значит, путь совершенствования парню остается только один – идти в кулинарную академию!

Кулинарная академия Тоцуки – легендарная старшая школа, которую окончили многие великие повара, в том числе и отец главного героя. Сословный дух в Тоцуки силен – но даровитый простак всегда может доказать, что достоин стоять рядом с потомками известных династий. Именно этим Сома и занялся, заселившись в общежитие Полярной Звезды, школьный приют небогатых, но амбициозных талантов. Академия поощряет соперничество, устраивая настоящие «кулинарные войны» — там-то Юкихира и покажет всем, особенно местной задаваке, директорской внучке Эрине, чей шеф-нож острее, вкус тоньше, а воображение богаче!

Сюжет данного сиквела манги «Tokyo Ghoul» разворачивается примерно через три года после карательной операции CCG на кафе «Антейку». И, казалось бы, всё идет своим чередом, но не всё так гладко, как кажется. CCG начали создавать искусственных гулей, а война всё еще продолжается. История развивается вокруг одного молодого следователя CCG, Сасаки Хайсэ. Сасаки очень хороший следователь и хорошо продвинулся по своей карьерной лестнице, и всё было бы хорошо, но так получилось, что он помнит лишь последние три года своей жизни, и каждую ночь во снах ему является парень с «белыми» волосами. Кто он? Что он хочет от меня? Почему я вижу его в своих снах? У Сасаки много вопросов, на которые он хочет найти ответы. Узнает ли он, кто тот парнишка, являющийся ему во снах? Вернется ли к нему память?

Частная женская академия Хатимицу известна своими строгими академическими стандартами, а также своими строгими школьными правилами. Впервые, за всю истории основания школы, мальчики допускаются к поступлению в эту академию. Фудзино Киёси в первый учебный день впадает в культурный шок, узнав, что в академию поступило только 5 парней, в результате чего соотношение девушек и парней — 200:1. Парни, так сказать, в малине. Но не тут-то было. К их огромному сожалению, ни одна из тысячи девушек не будет говорить с ними или даже признавать их как своих сокурсников. Киёси и парни собираются разоблачить Подпольный Студенческий Совет, который угрожает студенткам Хатимицу.

Горячие новинки далее

Есть игроки, что готовы ради победы рискнуть своей жизнью. За честностью в подобных играх следят нейтральные судьи жестокой и могущественной организации «Кагеро». Герой этой истории — Баку Мадарамэ, известный как Пожиратель Лжи. Ему предстоит сражение с безумцами в смертельных играх. Все ради того, чтобы захватить власть в «Кагеро».

Источник