Ubuntu Manpage: UTF-8 - vícebytové Unicode kódování, kompatibilní s ASCII

JMÉNO

       UTF-8 - vícebytové Unicode kódování, kompatibilní s ASCII

POPIS

The Unicode 3.0 character set occupies a 16-bit code space. The most obvious Unicode encoding (known as
UCS-2) consists of a sequence of 16-bit words. Such strings can contain—as part of many 16-bit
characters—bytes such as '\0' or '/', which have a special meaning in filenames and other C library
function arguments. In addition, the majority of UNIX tools expect ASCII files and can't read 16-bit
words as characters without major modifications. For these reasons, UCS-2 is not a suitable external
encoding of Unicode in filenames, text files, environment variables, and so on. The ISO 10646 Universal
Character Set (UCS), a superset of Unicode, occupies an even larger code space—31 bits—and the obvious
UCS-4 encoding for it (a sequence of 32-bit words) has the same problems.

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 0xc0, 0xc1, 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 bit positions are filled with the bits of the character code number in binary representation,
most significant bit first (big-endian). Only the shortest possible multibyte sequence which can
represent the code number of the character can be used.

The UCS code values 0xd800–0xdfff (UTF-16 surrogates) as well as 0xfffe and 0xffff (UCS noncharacters)
should not appear in conforming UTF-8 streams. According to RFC 3629 no point above U+10FFFF should be
used, which limits characters to four bytes.

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 nonspacing 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.

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 nonconforming. 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 3629, Plan 9.

DALŠÍ INFORMACE

       locale(1), nl_langinfo(3), setlocale(3), charsets(7), unicode(7)

PŘEKLAD

       Překlad této příručky do španělštiny vytvořili Pavel Heimlich <tropikhajma@gmail.com>

       Tento překlad je bezplatná dokumentace; Přečtěte  si  GNU General Public License Version 3  nebo  novější
       ohledně podmínek autorských práv. Neexistuje ŽÁDNÁ ODPOVĚDNOST.

       Pokud  narazíte  na  nějaké  chyby  v  překladu této příručky, pošlete e-mail na adresu translation-team-
       cs@lists.sourceforge.net.

Linux man-pages 6.03                             10. února 2023                                         UTF-8(7)