[心得] UNICODE

寫嵌入式軟體，離人類世界遙遠，我只知道英文字ASCII code是1byte 小時候用倚天中文，BIG5編碼每個字2byte UNICODE似乎是2byte，可以表示全世界的文字，矇矇懂懂 閱讀Joel On Software的第四章 https://www.books.com.tw/products/0010467041 這篇文章也可以在這裡看到 https://www.cnblogs.com/AlphaAI/articles/3960296.html ---- 原來UNICODE有個Code Point的概念 制定（橋）出這張code point的前輩，真的是偉大的成就 人類終於有一個共同的表示法，紀錄每個字 所以用BIG5編碼的文件，可以讀入以後，"DECODE"成上述的編碼（我覺得是UCS2） 在wchar_t的domain (u16)做字串處理 最後儲存的時候，再"ENCODE"成其他格式，例如UTF-8 之前用Python的UNICODE感覺encode/decode難以理解 現在總算搞懂UTF-8是什麼，整理一份note記下來 https://lihgong.blogspot.com/2023/11/utf-8-unicode-utf-32-big5.html ---- patch, thanks to ybite, 更新UTF16 surrogate pair的資訊 這東西的概念是這樣 1. UNICODE 0xD800 ~ 0xDFFF大家講好不放東西；所以出現這種字元必定有詐！ 一般狀態是 2byte代表一個字，這種狀態變成4byte代表一個字 很多地方都有類似的招數 2. 要把UNICODE的U+10000 ~ U+10FFFF編進去，先把數值扣掉0x10000 看看他在16bit定址範圍外的offset多少，這裡的值域是0xFFFFF, 20bit 3. 編碼規則如下 byte0 = offset[19:10] + 0xD800 byte1 = offset[9:0] + 0xDC00 4. 這種編碼結構好處是self-synchronization，因為開頭和結尾的值域固定下來了 如果中間有小錯誤也能偵測出來 缺點就LIB解析時，還有些額外的邏輯要弄，還真的有點麻煩； 不過比起用4byte字串的記憶體開銷相比，應該勉勉強強能接受； 反正現在電腦效能過剩，小事啦！ ---- 後記3 感謝 *Dracarys 推薦的兩篇文章，過了20Y，和Joel當初的文章互相輝映！ * https://tonsky.me/blog/emoji/ * https://tonsky.me/blog/unicode/ 原來UNICODE有Extended grapheme cluster A上面多帶一個圈，可以是U+00C5或是U+0041 U+030A 我看過芬蘭人的鍵盤，他們能打出某些特殊的上下標，亞洲人的我難以想像 所以A多帶個圈（兩個code point，符合我看他們鍵盤的感覺） 或是一個code point直接代表這個字，反應人類描述文字這件事，自帶的複雜度 直觀來看，所有文字都可以用UTF-32來表示？還是不行，有上述那些複雜的cases 所以作者說，處理UNICODE請用LIB，而且要按時更新的LIB（每年都會修訂） 以我來說，就是體認UNICODE有自帶的複雜度，不是像C的字串那麼簡單的東西 這兩篇文章確實看完就打通任督二脈，非常感謝 ---- 後紀4 關於UNICODE BOM (byte-order mark) 有個u16的數值，0xFE FF 這個數值用little-endian表示(大多數的電腦)，在記憶體裡會是0xFF 0xFE 如果用big-endian表示，會是0xFE 0xFF 一份文件用UTF-16儲存，編輯器打開，不知道這份文件的endian 假如開頭是0xFF 0xFE，那就是little-endian 假如開頭是0xFE 0xFF，那就是big-endian 我覺得上面的例子很爛，因為FE/FF實在長得太相似 寫AA/BB可能更容易看清楚，不過標準就長這樣... 具體的資料可以看下面WIKI連結，有標準的BOM定義 https://reurl.cc/GKYxrW 另外更general的問題是，這兩種endian的好與壞，可以參考下面文章 https://hackmd.io/@chenishi/BJRaOrGCX?type=view 網路傳輸裡，先傳送big-endian天生是比較順的 比如有筆u32資料0xaabbccdd，傳輸協定規定從MSB to LSB做CRC 假如是little-endian的機器，那就得這樣灌入CRC 注意陣列的順序是倒置的... data[3](0xaa) -> data[2](0xbb) -> data[1](0xcc) -> data[0](0xdd) 如果這台機器是big-endian，這樣灌入CRC就很順了 data[0](0xaa) -> data[1](0xbb) -> data[2](0xcc) -> data[3](0xdd) 操起for-loop，big-endian就是順（直覺）很多 for(i=0; i<4; i++) { calc_crc(data[i]) } --
※ 批踢踢實業坊(ptt.cc), 來自: 61.220.100.151 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1699248406.A.A68.html

推 wsad50232: 熱心推 11/06 16:42

推 now99: 推 11/06 23:40

推 wuyiulin: 有料分享就推 11/06 23:41

推 saladim: 推 當初直覺該encode怎麼叫作decode 傻了一陣子 ORZ 11/07 02:21

推 geoege022702: 推推推 11/07 11:40

推 ToastBen: 推 11/07 15:49

→ ybite: Unicode 目前已經快破15萬字 無法塞進2byte了 11/07 17:32

→ ybite: 因此UTF-16定義Surrogate Pair來解決（一個字32bit） 11/07 17:41

→ ybite: Python 2的時候str是ASCII 後來新增了unicode 型態 11/07 17:48

→ ybite: Python 3 其中一個大改就是str 一定是一串Unicode文字 11/07 17:48

→ ybite: （unicode扶正str）需要轉成特定編碼再.encode('utf-8') 11/07 17:49

→ ybite: encode出來的是bytes 11/07 17:50

→ ybite: 然後傳統編碼 如big5 就是要建一張大表對應Unicode 11/07 17:52

→ ybite: 也由於各種歷史原因 其實這個對應並沒有很完全做到1:1 11/07 17:52

→ ybite: 如PTT的Big5日文 後來很長時間是用由but維護的「社群標準」 11/07 17:55

→ ybite: Unicode補完計畫來當對應表 11/07 17:55

→ ybite: 直到後來PTT內建UTF-8編碼輸出模式後才解決很多問題 11/07 17:56

→ ybite: 每個語言或每個作業系統都有自己內部存Unicode的規格 11/07 17:57

→ ybite: Python是PyUnicodeObject（PEP-393） 11/07 18:02

→ ybite: 我還記得當年Python 2處理編碼真的是地獄 11/07 18:03

→ ybite: Unicode補完計畫最早是直接patch Windows 的cp950對應表 11/07 18:09

→ ybite: 後來UTF-8變成壓倒性主流後 剩下PTT內部資料轉換的情境了 11/07 18:09

→ MoonCode: 樓上好猛 11/07 22:12

→ superpandal: 喔 11/07 23:04

→ lihgong: 感謝*ybite，我把Surrogate Pair資訊也補上 11/07 23:19

推 Bencrie: 啊不過同一個漢字不同寫法用同一個 code point 問題無解 11/07 23:41

推 Bencrie: 然後難的地方在複雜語系一堆規則。 11/07 23:45

→ labbat: 放棄UTF-16吧，投入可變字串長度UTF-8的世界 11/07 23:53

推 zzLin: 好文，學習了 11/08 00:21

推 eopXD: 推 11/08 05:13

推 Dracarys: 再看完這兩篇就打通任督二脈了 11/08 09:13

→ Dracarys: https://tonsky.me/blog/emoji/ 11/08 09:13

→ Dracarys: https://tonsky.me/blog/unicode/ 11/08 09:13

推 jheli: 優質文，推推 11/08 09:28

推 Mtcat: 1 11/08 14:40

推 yuinami: 感謝分享 11/08 22:33

推 askacis: 你應該是寫MCU之類的吧，Embedded Linux也是會碰Unicode 11/09 11:21

→ lihgong: 感謝 *Dracarys 我把您推薦的文章也補在後記上，非常讚 11/10 23:48

推 kikilalagirl: 看能不能再補充 BOM 的資訊? 系統常遇到這類問題. 11/11 00:29

→ lihgong: 感謝 *kikilalagirl 我也順便搞清楚BOM和endian的優缺 11/11 09:53

推 art1: 之前碰的傳輸協定是小端傳輸，CRC 也是從小端開始 11/12 06:55

推 yiche: 推推 最近接觸到bom utf-8 上網看了一下是什麼格式 就看到 11/12 09:26

→ yiche: 原po撰文了 11/12 09:26

推 kentyeh: 大推Dracarys的兩篇文章，不過閱讀順序應該反過來 11/12 22:57

推 shibin: 推 11/19 12:36