Unicode

Unicode (Юникод) — единый международный стандарт преобразования букв различных алфавитов и символов в цифровое представление. Для этого каждому символу сопоставляется определенный порядковый номер.

Объясните простыми словами, пожалуйста

Безуспешные попытки пообщаться без Unicode

Давайте разберемся, что такое кодирование.

Начнем с времен, когда одному древнему человеку нужно было объяснить другому, за кем сегодня они пойдут охотиться. Древний человек издавал звуки животных, размахивал руками и костями вчерашнего ужина, указывал пальцем на рисунки животных на стене в пещере и всё было прекрасно! 💁🦣

Но неудобно. Когда нужно было "пообщаться" приходилось бегать к стене с картинками или устраивать представление. Тогда было решено закодировать образы и действия определенными звуками. Звуки объединялись в последовательности и так появились слова. Люди начали говорить и общались звуками тысячи лет, всё было прекрасно! 🧔💬

Но неудобно. Звук не получалось зафиксировать и положить на хранение. И люди опять вернулись к рисованию. Но рисовали теперь не животных на стенах, а звуки слов для их обозначения. Рисунки, кодирующие звуки, упрощались и постепенно превращались в то, что мы знаем как буквы. Их рисовали на тонких листочках, собирали в книги, хранили и передавали. Всё было прекрасно! 🧑‍🎓📚

Но неудобно. Когда нужно передать буквы из одного города в другой — их надо туда нести. А в провода буквы не влезают. Тогда пришлось кодировать уже буквы слов в виде последовательности коротких и длинных сигналов — так появилась азбука Морзе и всё было прекрасно! 🚢🆘

Но неудобно. Азбука Морзе передавала информацию медленно, сложно, неинтересно. С развитием компьютеров, она была заменена цифровым двоичным кодом. Где каждой букве была сопоставлена последовательность единиц и нулей. И всё было прекрасн0111

Но неудобно. Каждый начал кодировал буквы единицами и нулями по-своему. Причина в большом количестве разнообразных языков и алфавитов. Люди страдали и ругались пытаясь распознать какую из сотен кодировок надо использовать для того чтобы расшифровать эту 文字化け присланную файлом в электронном письме. Всё было ужасно! 🤬

И здесь появился Юникод. Единый стандарт кодирования букв из любых алфавитов в цифровое представление. Именно его мы используем прямо сейчас, общаясь в интернете с человеком из любой страны на любом языке да еще и с эмодзи-картинками. И всё — прекрасно! 😇

И удобно (пока).

PS ходят легенды, что школьники на уроках до сих пор рисуют палочками с краской на деревянных листочках странные головы быков: ⱯАААА! ✍️

А если серьезно

Международный стандарт

Юникод был создан в 1991 году и в данный момент является стандартом соответствия каждого символа некоторому порядковому номеру — кодовой точке. Стандарт ограничивает количество допустимых символов примерно миллионом (1112064). Но на практике в 2022 году было занято лишь 149186 символа. Кол-во символов увеличивается с каждым годом.

Примеры символов Юникода:

• $ — доллар, 36-й символ (U+0024)
• ꙮ — самая редкая буква кириллицы, используется только в одном слове мн҆огоꙮ҆читїи҆ (многоокий), 42606-й символ (U+A66E)
• 🐘 — эмодзи слона 128024-й символ (U+1F418)

Этот стандарт называется UCS (Universal Character Set)

Главные достоинства

• Универсальность: Юникод поддерживает символы почти всех языков мира. Это позволяет общаться, распознавать и понимать тексты на любом языке, от английского до японского.
• Совместимость: Юникод отлично поддерживается на большинстве современных устройств обеспечивает частичную совместимость с другими кодировками и платформами, что позволяет вашим текстам быть доступными и понятными для всех, вне зависимости от используемого ими программного обеспечения или устройства.
• Современное общение: Юникод активно поддерживает современные тренды, такие как эмодзи, которые стали ключевым элементом общения в интернете. Теперь вы можете полностью выразить свои мысли и эмоции в текстах и сообщениях.
• Развитие: Юникод постоянно развивается и обновляется, чтобы быть актуальным и отвечать на потребности современного общества. Используя Юникод, вы будете на переднем крае прогресса в области языков и кодирования.
• Уважение к культурам: Если вы интересуетесь историей и культурой, Юникод даст вам возможность исследовать древние и редкие письменности, которые стали доступными благодаря его универсальности.
• Эффективность: Юникод предлагает разные форматы кодирования, такие как UTF-8, UTF-16 и UTF-32, которые позволяют экономить место или обеспечивать лучшую производительность при работе с текстами.
• Международное сообщество: Изучая Юникод, вы становитесь частью глобального сообщества специалистов, исследователей и энтузиастов, которые заботятся о сохранении и развитии многообразия языков и культур мира

Зачем понадобились дополнительные кодировки UTF вместо UCS?

Уже на примере слона 🐘 с номером 128024 видно что он очень большой и не влезает в 2 байта, нужно минимум три:

128024 = 1 F4 18 = [00000001] [11110100] [00011000] (номер слона в бинарном виде).

Казалось бы, всё просто — используй всегда 3 байта для каждой буквы. Но это очень расточительно с точки зрения использования места для хранения данных в памяти. Поэтому были придуманы варианты более эффективных кодировок UTF (UCS Transformation Format), которые упаковывают исходные номера букв в последовательности переменной длины от 1 до 4 байта:

• UTF-8 - кодировка переменной длины от 1 до 4 байт
• UTF-16 - кодировка переменной длины 2 или 4 байта
• UTF-32 - кодировка фиксированной длины 4 байта

Как работает UTF-8?

Самой эффективной на практике оказалась кодировка UTF-8, так часто используемые латинские буквы и цифры в ней занимают всего 1 байт. Это не только вопрос экономии места — текст в однобайтовой кодировке стандарта ASCII будет правильно прочитан с использованием UTF-8. Поэтому UTF-8 стал самой популярной кодировкой в интернете и веб-приложениях.

Но если каждая буква имеет разную длину в байтах как компьютер в потоке единиц и нулей понимает где заканчивается предыдущая буква и начинается следующая?

Когда компьютер читает последовательность байтов, он смотрит на первые биты и определяет длину символа:

• 0 = длина будет 1 байт
• 110 = длина будет 2 байта
• 1110 = длина будет 3 байта
• 11110 = длина будет 4 байта

Дальше он читает остальные байты и выкидывает из каждого байта лишние биты 10 (они нужны для сверки), оставшиеся биты объединяет.

Итого:

[11110 000] [10 011111] [10 010000] [10 011000]

преобразуется в

000 011111 010000 011000

или

[00000001] [11110100] [00011000] = 1 F4 18 = 128024

что является Unicode символом U+1F418

А по стандарту UCS этот 128024-й символ, должно отображаться на экране как эмодзи слона

🐘

Фух, устали? Давайте поиграем

Здесь будут вставлены игровые символы

Недостатки

Перечислить