市场加息预期升温 调整方式存分歧

A Unicode Consortium logója

A Unicode (ejtsd: [junikód]) a kül?nb?z? írásrendszerek egységes kódolását és használatát leíró nemzetk?zi számítástechnikai iparági szabvány. A Unicode nemcsak a karakterkódolással, hanem a karakterek osztályozásával, megjelenítésével és használatával is részletesen foglalkozik. A Unicode 15.1-es kiadása 149 813 karakter helyét és szerepét r?gzíti, amellyel 161 kül?nb?z? eredet? modern és t?rténelmi ábécét, valamint számos szimbólumkészletet fed le.

A Unicode szabványt a Unicode Consortium gondozza. A szabvány legfrissebb kiadása a 16.0 számú, ami 2024 szeptember 10-én jelent meg. A Unicode-ot az ISO/IEC 10646 szabvánnyal együtt fejlesztik, és mindkett? azonos kódkiosztású karakterkészlettel rendelkezik.

A Unicode meghatározó szerepet játszik a szoftverek nemzetk?zivé tételében és honosításában. A szabványt az új technológiák, k?ztük a modern operációs rendszerek, az XML és a legt?bb modern programozási nyelv támogatja.

T?rténet

A régi, legfeljebb csak néhány tucat el?re r?gzített bet?t tartalmazó karakterkódolásokat a hardverfeltételek és az igények változásával fokozatosan felváltotta a Unicode, ami már nem szab korlátot a kül?nb?z? jelek együttes használatának.

Kódtábla

A Unicode szabvány 16 biten tárolt (legfeljebb 65 536 karaktert tartalmazó) síkokra osztja a Unicode kódpontokat. A 17 síkon ?sszesen 1 114 112 kódpont található, amelyb?l a szabvány legutóbbi változata mintegy 144 ezer kódpontot foglalt le a karakterek számára. Az els?, ún. ?alapszint? t?bbnyelv? sík” (BMP – Basic Multilingual Plane) mintegy 64 ezer karakterhelyén a legt?bb ma használatos jelet meg lehet találni.

Kódolás

A Unicode-sz?vegeket kül?nb?z? karakterkódolással tárolhatjuk. A Unicode szabvány meghatározza az UTF-8, UTF-16 és az UTF-32 karakterkódolást, és számos más kódolás is használatban van. A leggyakrabban használt kódolások az UTF-8, UTF-16 és UCS-2, utóbbi az UTF-16 el?dje.

A weboldalak és dokumentumok legelterjedtebb Unicode-karakterkódolása az UTF-8. Az UTF-8 változó hosszúságú kódolással (1–4 byte) képezi le a Unicode-karaktertáblát. 1 byte-on tárolt kódjai az ASCII-nak felelnek meg, így a latin bet?s UTF-8 kódolású sz?vegek a régi ASCII k?rnyezetben is olvashatóak maradnak. Az UTF-8-ban kódolt latin bet?s sz?vegek ugyanakkora vagy – ékezetes bet?k használata esetén – csak kicsivel nagyobb helyet foglalnak el, mint a korábban elterjedt 8 bites karakterkészletek használatakor.

Az UCS-2 két byte-ot használ minden egyes karakterhez, de így csak az els? 65 536 kódpont, az alapszint? t?bbnyelv? sík érhet? el vele, azaz az eddig definiált Unicode-karakterek kevesebb mint fele. Ezért az UCS-2 elavult, bár még mindig széles k?rben használják.

Az UTF-16 az UCS-2 kiterjesztése. Ugyanazt a 16 bites kódolást használja az alapszint? t?bbnyelv? sík elérésére, és egy 4 byte-os kódolást a t?bbi síkhoz. Ezért egy UCS-2 kódolású sz?veg egyben UTF-16 kódolású Unicode-sz?veg is.

Az UTF-32 (más néven UCS-4) 4 byte-ot használ minden karakterhez. Az UCS-2-h?z hasonlóan minden karakter ugyanakkora helyet foglal el, megk?nnyítve ezzel a karakterek indexelését, de ellentétben az UCS-2-vel, az UTF-32 képes minden Unicode-kódpontot kódolni. Mivel azonban az egyes karakterek négy byte-ot használnak, az UTF-32 jóval t?bb helyet foglal el, mint a t?bbi kódolás, és ezért csak ritkábban, meghatározott célra használják.

A Unicode használata

Operációs rendszerek

A mai Linux, Mac OS X és Windows operációs rendszerek alapértelmezett Unicode-támogatással rendelkeznek. A bels? feldolgozás Unicode-alapú, a tárolás is legt?bbsz?r, a megjelenítés pedig az operációs rendszer és alkalmazásainak képességét?l, például a bet?készlet lefedettségét?l függ.

Beviteli módszerek

Mivel a billenty?kiosztásoknak nem lehet minden karakterhez egyszer? kombinációjuk, t?bb operációs rendszer kínál alternatív beviteli lehet?ségeket tetsz?leges karakter elérésére.

Az ISO 14755 szabvány szabályozza a Unicode-karakterek bevitelének módszereit. Az alapmetódus szerint egy kezd?szekvencia után k?zvetlenül a hexadecimális kód megadása szükséges, majd ezt egy zárószekvencia k?veti. Ezenkívül specifikálták a képerny?r?l t?rtén? kiválasztást is, ahol a karakterek táblázatos formában szerepelnek a képerny?n, például egy karaktertábla-programban.

Web

A Unicode támogatása már a HTML 4-ben megjelent az UTF-8 karakterkódolással. A ma használatos b?ngész?knek a magyar írásjelek (kezd?-záró ?idéz?jel”, gondolatjel) helyes megjelenítése sem okoz már gondot.

érdekességek

2015. júniusa óta a magyar rovásírás is része a 10C80–10CFF tartományban.

Az ?t leghosszabb karakter:

?: A jávai nyelv egyik bet?je. Az egyik legmagasabb karakter is egyben.

?: Sima hosszú vonal.

??: Egy ékírásos karakter.

??: Szintén ékírás

?: Ez a karakter a biszmillah, amely a legszélesebb Unicode-karakter. Jelentése: ?A K?ny?rületes és Irgalmas Isten nevében”.

Források

• Unicode, UTF-8 (magyar nyelven). BME. (Hozzáférés: 2015. szeptember 1.)
• UTF-8, a transformation format of ISO 10646 (RFC3629) (angol nyelven), 2003. november 1. (Hozzáférés: 2015. szeptember 1.)

További információk

• Unicode.ORG – A Unicode szabványosító testület és a kül?nb?z? Unicode szabványok honlapja (angolul)
• DecodeUnicode – Unicode wiki, mintegy 100 ezer bet?képpel (németül) (angolul)

Kapcsolódó szócikkek

• A Unicode-karakterek elhelyezkedése